最新ICCV 2021 | 风格迁移（20）生成对抗GAN
（1）GAN改进系列 | 最新ICCV2021生成对抗网络GAN论文梳理汇总图像编辑系列之（2）基于StyleGAN（3）GAN逆映射（4）人脸 （5）语义生成 | ICCV2021生成对抗GAN梳理汇总图像恢复系列之（6）超分（7）反光去除（8）光斑去除 （9）阴影去除（10）水下图像失真去除 | ICCV2021生成对抗GAN图像恢复系列（11）之修复（inpaint...
图像编辑系列之（2）基于StyleGAN（3）GAN逆映射（4）人脸 （5）语义生成 | ICCV2021生成对抗GAN梳理汇总
图像恢复系列之（6）超分（7）反光去除（8）光斑去除 （9）阴影去除（10）水下图像失真去除 | ICCV2021生成对抗GAN
二十、风格迁移
61、 DRB-GAN: A Dynamic ResBlock Generative Adversarial Network for Artistic Style Transfer
提出一种用于艺术风格迁移的动态 ResBlock 生成对抗网络（DRB-GAN）。风格码被建模为连接风格编码网络和迁移网络的动态 ResBlocks 的共享参数。
在编码网络中，融入了风格的类感知注意机制；在迁移网络中，多个 Dynamic ResBlocks 来整合风格码和提取的 CNN 语义特征，然后输入到空间实例归一化（SWLIN）解码器，实现艺术风格迁移。
https://github.com/xuwenju123/DRB-GAN
62、 Diverse Image Style Transfer via Invertible Cross-Space Mapping
图像风格迁移可以将艺术风格迁移到任意照片上，以创建新颖的艺术图像。尽管风格迁移本质上是一个不适定问题，但现有方法通常假设某种唯一结果，而无法捕获潜在可能的完整分布。
本文提出一个多样化的图像风格迁移（DIST）方案，该方案通过执行可逆的跨空间映射来实现多样性。具体来说，由三个分支组成：解耦分支、逆向分支和风格化分支。
解耦分支可以分解内容空间和风格空间；逆映射分支则可以完成输入噪声向量与艺术图像风格空间之间的可逆映射；风格化分支渲染风格化输入的内容图像。
猜您喜欢：
附下载 |《TensorFlow 2.0 深度学习算法实战》
更多推荐
1
0- 0
已为社区贡献1条内容
所有评论(0)