論文の概要: Interactive Multi-level Stroke Control for Neural Style Transfer
- arxiv url: http://arxiv.org/abs/2106.13787v1
- Date: Fri, 25 Jun 2021 17:43:00 GMT
- ステータス: 処理完了
- システム内更新日: 2021-06-28 14:16:14.838062
- Title: Interactive Multi-level Stroke Control for Neural Style Transfer
- Title（参考訳）: ニューラルスタイル伝達のための対話型マルチレベルストローク制御
- Authors: Max Reimann and Benito Buchheim and Amir Semmo and J\"urgen D\"ollner
and Matthias Trapp
- Abstract要約: StyleTuneは、インタラクティブなマルチレベルのニューラルスタイル転送制御のためのモバイルアプリである。
StyleTuneは、スタイル要素のサイズと方向を調整できる。
当社のアプローチは,現在のモバイルニューラルスタイル転送アプリでは不可能な,多くの新しい結果を生成する上で有効です。
- 参考スコア（独自算出の注目度）: 0.4899818550820575
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We present StyleTune, a mobile app for interactive multi-level control of
neural style transfers that facilitates creative adjustments of style elements
and enables high output fidelity. In contrast to current mobile neural style
transfer apps, StyleTune supports users to adjust both the size and orientation
of style elements, such as brushstrokes and texture patches, on a global as
well as local level. To this end, we propose a novel stroke-adaptive
feed-forward style transfer network, that enables control over stroke size and
intensity and allows a larger range of edits than current approaches. For
additional level-of-control, we propose a network agnostic method for
stroke-orientation adjustment by utilizing the rotation-variance of CNNs. To
achieve high output fidelity, we further add a patch-based style transfer
method that enables users to obtain output resolutions of more than 20
Megapixel. Our approach empowers users to create many novel results that are
not possible with current mobile neural style transfer apps.
- Abstract（参考訳）: 本稿では,スタイル要素の創造的調整を容易にし,高出力の忠実度を実現するニューラルスタイル転送をインタラクティブにマルチレベル制御するモバイルアプリstyletuneを提案する。
現在のモバイルのニューラルスタイル転送アプリとは対照的に、styletuneでは、ブラシストロークやテクスチャパッチといったスタイル要素のサイズと向きを、グローバルおよびローカルレベルで調整することができる。
そこで本研究では、ストロークサイズと強度を制御し、現在のアプローチよりも広い範囲の編集を可能にする、新しいストローク適応フィードフォワード型転送ネットワークを提案する。
さらに,CNNの回転分散を利用したストローク向き調整のためのネットワーク非依存手法を提案する。
さらに,高出力率を実現するために,20メガピクセル以上の出力解像度が得られるパッチベースのスタイル転送手法を提案する。
当社のアプローチは,現在のモバイルニューラルスタイル転送アプリでは不可能な,多くの新しい結果を生成する上で有効です。
関連論文リスト
- STEER: Unified Style Transfer with Expert Reinforcement [71.3995732115262]
STEER: Unified Style Transfer with Expert Reinforcementは、スタイル転送のための限られた並列データという課題を克服するために開発された、統一されたフレームワークである。
STEERは堅牢で、ドメイン外のデータでスタイル転送機能を維持し、様々なスタイルでほぼすべてのベースラインを超越している。
論文 参考訳（メタデータ） (2023-11-13T09:02:30Z) - Curve-based Neural Style Transfer [0.0]
本研究は,曲線に基づく設計スケッチに特化して設計された新しいパラメトリック・スタイル・トランスファー・フレームワークを提案する。
バイナリスケッチ変換の処理におけるニューラルスタイルの転送手法が直面する従来の課題は、パラメトリックな形状編集規則の利用によって効果的に解決される。
論文 参考訳（メタデータ） (2023-10-03T20:49:56Z) - Master: Meta Style Transformer for Controllable Zero-Shot and Few-Shot
Artistic Style Transfer [83.1333306079676]
本稿では,スタイル転送に特化した新しいトランスフォーマーモデルであるemphMasterを考案する。
提案モデルでは, 異なるトランスフォーマー層が共通のパラメータ群を共有し, 1) パラメータの総数を減らし, (2) より堅牢なトレーニング収束をもたらし, (3) は容易にスタイリングの程度を制御できる。
実験では、ゼロショットと少数ショットスタイルの転送設定の両方でMasterの優位性を示す。
論文 参考訳（メタデータ） (2023-04-24T04:46:39Z) - A Unified Arbitrary Style Transfer Framework via Adaptive Contrastive
Learning [84.8813842101747]
Unified Contrastive Arbitrary Style Transfer (UCAST)は、新しいスタイルの学習・伝達フレームワークである。
入力依存温度を導入することで,スタイル伝達のための適応型コントラスト学習方式を提案する。
本フレームワークは,スタイル表現とスタイル伝達のための並列コントラスト学習方式,スタイル分布を効果的に学習するためのドメイン拡張モジュール,スタイル伝達のための生成ネットワークという,3つの重要なコンポーネントから構成される。
論文 参考訳（メタデータ） (2023-03-09T04:35:00Z) - Motion Style Transfer: Modular Low-Rank Adaptation for Deep Motion
Forecasting [79.56014465244644]
本稿では,新しい領域への深部動き予測モデルを効率的に適用するための伝達学習手法を提案する。
エンコーダ全体を更新する従来の微調整アプローチとは異なり、主な考え方は調整可能なパラメータの量を減らすことである。
提案するアダプタ設計であるMoSAは,いくつかの予測ベンチマークにおいて,先行手法よりも優れていることを示す。
論文 参考訳（メタデータ） (2022-11-06T16:14:17Z) - Controllable Style Transfer via Test-time Training of Implicit Neural
Representation [34.880651923701066]
Indicit Neural Representationに基づく制御可能なスタイル転送フレームワークを提案する。
テストタイムを一度トレーニングした後、INRベースのモデルの柔軟性により、我々のフレームワークは、スタイリングされた画像をピクセル単位で正確に制御し、さらなる最適化やトレーニングをすることなく、画像の解像度を自由に調整できる。
論文 参考訳（メタデータ） (2022-10-14T12:53:39Z) - Learning Graph Neural Networks for Image Style Transfer [131.73237185888215]
最先端のパラメトリックおよび非パラメトリックなスタイル転送アプローチは、グローバルな統計アライメントによる局所的なスタイルパターンの歪んだり、パッチミスマッチによるアーティファクトを減らしたりする傾向にある。
本稿では,パラメトリック型と非パラメトリック型の両方のスタイライゼーションの欠如を緩和する,新しい半パラメトリック型ニューラルスタイルトランスファーフレームワークについて検討する。
論文 参考訳（メタデータ） (2022-07-24T07:41:31Z) - Shape Adaptor: A Learnable Resizing Module [59.940372879848624]
ニューラルネットワークのための新しいリサイズモジュール: 従来のリサイズ層上に構築されたドロップインエンハンスメントであるシェイプアダプタを提案する。
我々の実装では、追加の監督なしに形状適応器をエンドツーエンドで訓練することが可能です。
ネットワーク圧縮と伝達学習の2つの応用における形状適応器の有効性を示す。
論文 参考訳（メタデータ） (2020-08-03T14:15:52Z)
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。