用于改进神经风格迁移的风格分解
计算机视觉与模式识别
2018-12-03 v1
摘要
通用神经风格迁移 (NST) 方法能够通过（近乎）实时的特征变换以与风格无关的方式执行任意风格的风格迁移。尽管其单模态参数化风格建模方法已被证明足以从相对简单的图像迁移单一风格，但它们通常无法有效处理更复杂的风格，产生显著伪影，并降低风格化图像中合成纹理的质量。为克服这些局限，本文提出一种新颖的通用 NST 方法，其对给定风格图像（或风格图像集合）中存在的每个子风格分别建模。这得以更好地建模同一风格图像内细微的风格差异，进而使用最合适的子风格（或不同子风格的混合）来风格化内容图像。所提方法的如下能力通过大量实验得到证明：a) 利用一幅风格图像中存在的子风格执行广泛不同的风格化，同时赋予用户适当混合不同子风格的能力；b) 自动将最合适的子风格匹配到内容图像的不同语义区域，改进现有的最先进通用 NST 方法；c) 从图像集合中检测并迁移子风格。
引用
@article{arxiv.1811.12704,
title = {Style Decomposition for Improved Neural Style Transfer},
author = {Paraskevas Pegios and Nikolaos Passalis and Anastasios Tefas},
journal= {arXiv preprint arXiv:1811.12704},
year = {2018}
}