面向任意风格迁移的多域艺术图像学习
计算机视觉与模式识别
2019-04-16 v2 机器学习
摘要
我们提出了一种用于任意风格迁移的快速前馈网络，该网络能够为先前未见过的内容和风格图像对生成风格化图像。除了基于深层特征和纹理统计的传统内容与风格表示外，我们还使用对抗网络来正则化风格化图像的生成。我们的对抗网络从大规模多域艺术图像中学习图像风格的内在属性。对抗训练具有挑战性，因为生成器的输入和输出都是多样化的多域图像。我们使用一个通过平移深层特征统计来对内容进行风格化的条件生成器，以及一个基于风格粗类别的条件判别器。此外，我们提出了一个掩码模块，通过避免模式崩溃来空间决定风格化程度并稳定对抗训练。作为附带效应，我们训练的判别器可应用于排序和选择具有代表性的风格化图像。我们对所提出的方法进行了定性和定量评估，并与近期的风格迁移方法进行了比较。我们在 https://github.com/nightldj/behance_release 发布了我们的代码和模型。
引用
@article{arxiv.1805.09987,
title = {Learning from Multi-domain Artistic Images for Arbitrary Style Transfer},
author = {Zheng Xu and Michael Wilber and Chen Fang and Aaron Hertzmann and Hailin Jin},
journal= {arXiv preprint arXiv:1805.09987},
year = {2019}
}
备注
Update code link