用于视频风格迁移的演化约束对抗学习
计算机视觉与模式识别
2018-11-07 v1
摘要
视频风格迁移是增强现实、非真实感绘制和交互式游戏等应用的有用组件。许多现有方法使用光流来保持合成视频的时间平滑性。然而，光流的估计对遮挡和快速运动敏感。因此，在本工作中，我们引入一种由演化计算的新型演化同步损失来替代光流。利用该演化同步损失，我们构建了一个称为视频风格迁移生成对抗网络（Video Style Transfer Generative Adversarial Network, VST-GAN）的对抗学习框架，其改进了用于图像风格迁移的MGAN方法以实现更高效的视频风格迁移。我们对所提方法进行了广泛的实验评估，并展示了相对于最先进方法的定量与定性改进。
引用
@article{arxiv.1811.02476,
title = {Evolvement Constrained Adversarial Learning for Video Style Transfer},
author = {Wenbo Li and Longyin Wen and Xiao Bian and Siwei Lyu},
journal= {arXiv preprint arXiv:1811.02476},
year = {2018}
}