StyMam：一种基于 Mamba 的艺术风格迁移生成器
计算机视觉与模式识别
2026-01-27 v3
摘要
图像风格迁移旨在将特定艺术风格的视觉模式融入内容图像中，同时保留其内容结构。现有方法主要依赖生成对抗网络（GAN）或稳定扩散（SD）。使用 CNN 或 Transformer 的基于 GAN 的方法难以同时捕获局部和全局依赖关系，从而导致伪影和不和谐的模式。基于 SD 的方法减少了此类问题，但往往无法保留内容结构且推理速度慢。为了解决这些问题，我们重新审视 GAN，并提出了一种基于 Mamba 的生成器，称为 StyMam，以生成高质量的风格化图像而不引入伪影和不和谐的模式。具体而言，我们引入了一种基于 Mamba 的生成器，其具有残差双路径条带扫描机制和通道重加权空间注意力模块。前者高效地捕获局部纹理特征，而后者对全局依赖关系进行建模。最后，大量定性和定量实验表明，所提出的方法在质量和速度上均优于最先进的算法。
引用
@article{arxiv.2601.12954,
title = {StyMam: A Mamba-Based Generator for Artistic Style Transfer},
author = {Zhou Hong and Ning Dong and Yicheng Di and Xiaolong Xu and Rongsheng Hu and Yihua Shao and Run Ling and Yun Wang and Juqin Wang and Zhanjie Zhang and Ao Ma},
journal= {arXiv preprint arXiv:2601.12954},
year = {2026}
}
备注
Accepted by ICASSP 2026