EFANet：用于任意风格迁移的可交换特征对齐网络
计算机视觉与模式识别
2019-12-24 v3 图形学
摘要
风格迁移一直是计算机视觉与图形学中的重要课题。自 Gatys 等人的开创性工作首次展示了通过深度特征空间中的优化实现风格化的能力以来，已有不少方法通过直接的统计匹配技术实现了实时任意风格迁移。在本文中，我们的关键观察是：仅考虑输入风格图像中的特征进行全局深度特征统计匹配或局部块交换未必总能确保令人满意的风格迁移；参见例如图1。相反，我们提出了一种新颖的迁移框架 EFANet，旨在联合分析并更好地对齐从内容图像与风格图像对中提取的可交换特征。通过这种方式，风格图像中的风格特征寻求与内容图像中内容信息的最佳兼容性，从而产生更具结构化的风格化结果。此外，我们开发了一种新的白化损失，用于纯化所计算的内容特征并更好地与特征空间中的风格相融合。定性与定量实验证明了我们所提方法的优势。
引用
@article{arxiv.1811.10352,
title = {EFANet: Exchangeable Feature Alignment Network for Arbitrary Style Transfer},
author = {Zhijie Wu and Chunjin Song and Yang Zhou and Minglun Gong and Hui Huang},
journal= {arXiv preprint arXiv:1811.10352},
year = {2019}
}
备注
Accepted by AAAI 2020