Pastiche Master：基于范例的高分辨率人像风格迁移
计算机视觉与模式识别
2022-03-25 v1 机器学习
摘要
近期关于 StyleGAN 的研究表明，通过有限数据的迁移学习可在艺术人像生成上取得高性能。在本文中，我们探索更具挑战性的基于范例的高分辨率人像风格迁移，引入一种新颖的 DualStyleGAN，可灵活控制原始人脸域与扩展艺术人像域的双重风格。与 StyleGAN 不同，DualStyleGAN 通过将人像的内容与风格分别用内在风格路径和新的外在风格路径来刻画，提供了一种自然的风格迁移方式。精心设计的外在风格路径使我们的模型能够分层调制颜色和复杂结构风格，以精确仿制风格范例。此外，引入了一种新颖的渐进式微调方案，即使对网络架构做了上述修改，也能将模型的生成空间平滑转换到目标域。实验证明了 DualStyleGAN 在高质量人像风格迁移和灵活风格控制方面优于 SOTA 方法。
引用
@article{arxiv.2203.13248,
title = {Pastiche Master: Exemplar-Based High-Resolution Portrait Style Transfer},
author = {Shuai Yang and Liming Jiang and Ziwei Liu and Chen Change Loy},
journal= {arXiv preprint arXiv:2203.13248},
year = {2022}
}
备注
CVPR 2022. Code: https://github.com/williamyang1991/DualStyleGAN Project page: https://www.mmlab-ntu.com/project/dualstylegan/