Style Mixer：基于语义感知的多风格迁移网络
计算机视觉与模式识别
2019-10-30 v1
摘要
近期的神经风格迁移框架在单风格迁移（SST）中获得了惊人的视觉质量和灵活性，但极少关注多风格迁移（MST），即同时将多种风格迁移到同一图像。与SST相比，MST有潜力创造更多样且视觉上令人愉悦的风格化结果。在本文中，我们提出了首个基于区域语义自动将多种风格融入单一结果的MST框架。我们首先通过引入一种新颖的多级特征融合模块和块注意力模块来改进现有的SST骨干网络，以实现更好的语义对应并保留更丰富的风格细节。对于MST，我们设计了一个概念上简单而有效的基于区域的风格融合模块插入到骨干网络中。它基于语义匹配将对应风格分配给内容区域，然后将多种风格无缝结合。综合评估表明我们的框架优于现有的SST和MST工作。
引用
@article{arxiv.1910.13093,
title = {Style Mixer: Semantic-aware Multi-Style Transfer Network},
author = {Zixuan Huang and Jinghuai Zhang and Jing Liao},
journal= {arXiv preprint arXiv:1910.13093},
year = {2019}
}
备注
Pacific Graphics 2019