論文の概要: ArtFlow: Unbiased Image Style Transfer via Reversible Neural Flows

• arxiv url: http://arxiv.org/abs/2103.16877v1
• Date: Wed, 31 Mar 2021 07:59:02 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-02 01:19:31.755927
• Title: ArtFlow: Unbiased Image Style Transfer via Reversible Neural Flows
• Title（参考訳）: ArtFlow: 可逆的ニューラルネットワークによる画像スタイルのトランスファー
• Authors: Jie An, Siyu Huang, Yibing Song, Dejing Dou, Wei Liu, Jiebo Luo
• Abstract要約: ArtFlowは、ユニバーサルスタイルの転送中にコンテンツ漏れを防ぐために提案されます。 前方と後方の両方の推論をサポートし、プロジェクション-トランスファー-リバージョンスキームで動作する。 コンテンツリークを回避しつつ、最先端スタイルの転送手法に匹敵するパフォーマンスを実現する。
• 参考スコア（独自算出の注目度）: 101.16791104543492
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Universal style transfer retains styles from reference images in content images. While existing methods have achieved state-of-the-art style transfer performance, they are not aware of the content leak phenomenon that the image content may corrupt after several rounds of stylization process. In this paper, we propose ArtFlow to prevent content leak during universal style transfer. ArtFlow consists of reversible neural flows and an unbiased feature transfer module. It supports both forward and backward inferences and operates in a projection-transfer-reversion scheme. The forward inference projects input images into deep features, while the backward inference remaps deep features back to input images in a lossless and unbiased way. Extensive experiments demonstrate that ArtFlow achieves comparable performance to state-of-the-art style transfer methods while avoiding content leak.
• Abstract（参考訳）: ユニバーサルスタイル転送は、コンテンツイメージの参照画像からのスタイルを保持する。 既存の手法は最先端のスタイル転送性能を達成しているが,何回かのスタイリング処理を経て画像内容が劣化する可能性のあるコンテンツリーク現象を意識していない。 本稿では,ユニバーサルスタイル転送時のコンテンツリークを防止するため,ArtFlowを提案する。 ArtFlowは可逆的なニューラルフローと、バイアスのない機能転送モジュールで構成される。 前方と後方の両方の推論をサポートし、プロジェクション-トランスファー-リバージョンスキームで動作する。 前方推論は入力画像を深い機能に投影し、後方推論は深い機能をロスレスで偏りのない方法で入力画像にリマップする。 広範な実験により、artflowは、コンテンツリークを回避しつつ、最先端のスタイル転送メソッドに匹敵するパフォーマンスを実現している。

関連論文リスト

• D2Styler: Advancing Arbitrary Style Transfer with Discrete Diffusion Methods [2.468658581089448]
  D$2$Styler (Discrete Diffusion Styler) と呼ばれる新しいフレームワークを提案する。 本手法では,アダプティブインスタンス正規化(AdaIN)機能を逆拡散過程のコンテキストガイドとして用いる。 実験により、D$2$Stylerは高品質なスタイル変換画像を生成することが示された。
  論文  参考訳（メタデータ） (2024-08-07T05:47:06Z)
• StyleStegan: Leak-free Style Transfer Based on Feature Steganography [19.153040728118285]
  既存のスタイル転送方式は 重大なコンテンツ漏洩に悩まされています 特徴ステガノグラフィーに基づくリークフリーなスタイル転送手法を提案する。 その結果、StyleSteganは、シリアルおよび可逆的なスタイル転送タスクにおいて、コンテンツのリーク問題を緩和することに成功した。
  論文  参考訳（メタデータ） (2023-07-01T05:00:19Z)
• Edge Enhanced Image Style Transfer via Transformers [6.666912981102909]
  任意のイメージスタイルの転送が ますます注目を集めています コンテンツの詳細とスタイル機能のトレードオフを同時に維持することは困難です。 画像スタイルの転送とエッジロスのための新しい変換器ベースのSTTを提案する。
  論文  参考訳（メタデータ） (2023-01-02T10:39:31Z)
• QuantArt: Quantizing Image Style Transfer Towards High Visual Fidelity [94.5479418998225]
  視覚的忠実度の高いスタイリングのためのQuantArtと呼ばれる新しいスタイル転送フレームワークを提案する。 本フレームワークは,既存のスタイル転送方式と比較して,視覚的忠実度を著しく向上させる。
  論文  参考訳（メタデータ） (2022-12-20T17:09:53Z)
• StyleFlow: Disentangle Latent Representations via Normalizing Flow for Unsupervised Text Style Transfer [5.439842512864442]
  スタイル転送は、その内容を保持しながら文のスタイルを変更することを目的としている。 本稿では,コンテンツ保存性を高めるために,新しいアンタングル型スタイル転送モデルであるStyleFlowを提案する。
  論文  参考訳（メタデータ） (2022-12-19T17:59:18Z)
• DiffStyler: Controllable Dual Diffusion for Text-Driven Image Stylization [66.42741426640633]
  DiffStylerは、拡散された結果の内容とスタイルのバランスを制御するための二重拡散処理アーキテクチャである。 本稿では、逆復調処理をベースとしたコンテンツ画像に基づく学習可能なノイズを提案し、そのスタイリング結果により、コンテンツ画像の構造情報をよりよく保存する。
  論文  参考訳（メタデータ） (2022-11-19T12:30:44Z)
• Learning Diverse Tone Styles for Image Retouching [73.60013618215328]
  本稿では,フローベースアーキテクチャの標準化により,多様な画像のリタッチを学習することを提案する。 ジョイントトレーニングパイプラインは、スタイルエンコーダ、条件付きRetouchNet、イメージトーンスタイル正規化フロー(TSFlow)モジュールで構成される。 提案手法は最先端の手法に対して良好に動作し,多様な結果を生成するのに有効である。
  論文  参考訳（メタデータ） (2022-07-12T09:49:21Z)
• Interactive Style Transfer: All is Your Palette [74.06681967115594]
  本稿では,ユーザが対話的に調和したスタイルのイメージを作成できる,図形的な対話型スタイル転送(IST)手法を提案する。 私たちのISTメソッドは、どこからでもブラシやディップスタイルとして機能し、ターゲットのコンテンツイメージの任意の領域にペイントします。
  論文  参考訳（メタデータ） (2022-03-25T06:38:46Z)
• StyTr^2: Unbiased Image Style Transfer with Transformers [59.34108877969477]
  イメージスタイル転送の目的は、オリジナルコンテンツを維持しながら、スタイル参照によってガイドされた芸術的特徴を持つ画像をレンダリングすることである。 従来のニューラルスタイルの転送法は通常バイアスを受けており、コンテントリークは、同じ参照画像でスタイル転送プロセスの何回かの実行によって観察することができる。 我々は、この重要な問題に対処するために、トランスフォーマーベースのアプローチ、すなわちStyTr2を提案する。
  論文  参考訳（メタデータ） (2021-05-30T15:57:09Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。