StyleStegan：基于特征隐写的无泄漏风格迁移
计算机视觉与模式识别
2023-07-04 v1 多媒体
摘要
在现代社交网络中，现有的风格迁移方法存在严重的内容泄漏问题，这阻碍了实现串行与可逆风格化的能力，从而限制了风格化图像在社交网络中的进一步传播。为解决该问题，我们提出了一种基于特征隐写的无泄漏风格迁移方法。我们的方法由两个主要部分组成：一个在原始图像上完成艺术风格化的风格迁移方法，以及一个将内容特征秘密嵌入风格化图像的图像隐写方法。我们工作的主要贡献如下：1）我们识别并解释了内容泄漏现象及其根本原因，该现象源于原始图像与其后续风格化图像之间的内容不一致。2）我们设计了一种神经流模型，用于实现无损失且无偏的风格迁移。3）我们引入隐写技术，将内容特征信息隐藏于风格化图像上，并控制后续的使用权限。4）我们使用公开数据集 MS-COCO 和 Wikiart 进行了全面的实验验证。结果表明，StyleStegan 成功缓解了串行与可逆风格迁移任务中的内容泄漏问题。与次优基线模型相比，这些任务的 SSIM 性能指标分别高出 14.98% 和 7.28%。
引用
@article{arxiv.2307.00225,
title = {StyleStegan: Leak-free Style Transfer Based on Feature Steganography},
author = {Xiujian Liang and Bingshan Liu and Qichao Ying and Zhenxing Qian and Xinpeng Zhang},
journal= {arXiv preprint arXiv:2307.00225},
year = {2023}
}
备注
Under Review