ETNet：用于任意风格迁移的错误转移网络
计算机视觉与模式识别
2019-10-30 v2 图形学
摘要
自Gatys等人的开创性工作以来，为实现任意风格迁移已投入大量有价值的努力。然而，现有最先进的方法在困难情形下常生成风格化不足的结果。我们认为一个根本原因是这些方法试图一次性生成风格化结果，因而未能充分满足内容图像中语义结构与风格图像中风格图案的约束。受误差校正工作的启发，我们转而提出一种自校正模型，以预测当前风格化的错误之处并据此以迭代方式精炼。每次精炼中，我们在空间与尺度域上转移误差特征，并将处理后的特征反演为残差图像，所用网络称为错误转移网络（ETNet）。所提模型在语义结构与更具适应性的风格图案细节上优于最先进方法。多种定性与定量实验表明，渐进策略与误差校正这一关键理念带来了更好的结果。代码与模型见https://github.com/zhijieW94/ETNet。
引用
@article{arxiv.1910.12056,
title = {ETNet: Error Transition Network for Arbitrary Style Transfer},
author = {Chunjin Song and Zhijie Wu and Yang Zhou and Minglun Gong and Hui Huang},
journal= {arXiv preprint arXiv:1910.12056},
year = {2019}
}
备注
Accepted by NeurIPS 2019