用于任意图像风格迁移的两阶段同伴正则化特征重组
计算机视觉与模式识别
2020-04-14 v3 机器学习
摘要
本文介绍一种神经风格迁移模型，用于生成以描述所需风格的一组样本为条件的风格化图像。所提出的方案即使在零样本设定下也能生成高质量图像，并允许在内容几何变化上有更多自由。这是通过引入一种新颖的两阶段同伴正则化层实现的，该层借助定制的图卷积层在隐空间重组风格与内容。与绝大多数现有方案相反，我们的模型不依赖于任何预训练网络来计算感知损失，并且由于一组直接在隐空间而非RGB图像上作用的新循环损失，可完全端到端训练。广泛的消融研究证实了所提损失与两阶段同伴正则化层的有效性，其定性结果相对于当前最先进水平具有竞争力，且对所有呈现风格使用单一模型。这为更抽象与艺术化的神经图像生成场景以及更简单的模型部署打开了大门。
引用
@article{arxiv.1906.02913,
title = {Two-Stage Peer-Regularized Feature Recombination for Arbitrary Image Style Transfer},
author = {Jan Svoboda and Asha Anoosheh and Christian Osendorfer and Jonathan Masci},
journal= {arXiv preprint arXiv:1906.02913},
year = {2020}
}