神经漫画风格迁移：案例研究

Gatys 等人 [1] 近期的工作展示了一种神经风格算法，能够生成具有另一图像风格的图像。一些后续工作在泛化性、质量与效率方面引入了各种改进，但它们大多聚焦于绘画、抽象图像或照片写实风格等风格。本文中，我们呈现了一项比较研究，考察最先进的风格迁移方法在不同图像上迁移各种漫画风格时的表现。我们选取 Adaptive Instance Normalization [11] 与 Universal Style Transfer [16] 模型的不同组合并对其进行对比，以从定性与定量分析角度找出各自的优势与劣势。最后，我们展示了一项针对超过 100 人所开展调查的结果，旨在以漫画风格迁移的实际应用来验证评估结果。