Fugu-MT 論文翻訳(概要): Multiple Style Transfer via Variational AutoEncoder

論文の概要: Multiple Style Transfer via Variational AutoEncoder

arxiv url: http://arxiv.org/abs/2110.07375v1
Date: Wed, 13 Oct 2021 06:47:13 GMT
ステータス: 処理完了
システム内更新日: 2021-10-16 12:12:50.174489
Title: Multiple Style Transfer via Variational AutoEncoder
Title（参考訳）: 変分オートエンコーダによる複数スタイル転送
Authors: Zhi-Song Liu and Vicky Kalogeiton and Marie-Paule Cani
Abstract要約: 遅延空間に基づくスタイル転送のための変分自動エンコーダST-VAEを提案する。非線形スタイルを線形潜在空間に投影することにより、複数のスタイル転送を実行し、新しいスタイルをコンテンツイメージに転送する前に、線形を介してスタイルをマージする。
参考スコア（独自算出の注目度）: 16.797476504327665
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Modern works on style transfer focus on transferring style from a single image. Recently, some approaches study multiple style transfer; these, however, are either too slow or fail to mix multiple styles. We propose ST-VAE, a Variational AutoEncoder for latent space-based style transfer. It performs multiple style transfer by projecting nonlinear styles to a linear latent space, enabling to merge styles via linear interpolation before transferring the new style to the content image. To evaluate ST-VAE, we experiment on COCO for single and multiple style transfer. We also present a case study revealing that ST-VAE outperforms other methods while being faster, flexible, and setting a new path for multiple style transfer.
Abstract（参考訳）: 現代では、一つの画像からスタイルを転送することに焦点を当てている。最近、複数のスタイル転送を研究するアプローチもあるが、これらは遅すぎるか、複数のスタイルを混在させることができない。遅延空間に基づくスタイル転送のための変分自動エンコーダST-VAEを提案する。非線形スタイルを線形潜在空間に投影することで複数のスタイル転送を行い、新しいスタイルをコンテンツイメージに転送する前に線形補間によりスタイルをマージする。 ST-VAEを評価するために,単一および複数スタイル転送のためのCOCO実験を行った。また,ST-VAEは他の手法よりも高速で柔軟で,複数スタイル転送のための新しい経路を設定できることを示すケーススタディを示す。

関連論文リスト

Multimodality-guided Image Style Transfer using Cross-modal GAN Inversion [42.345533741985626]
そこで本研究では,テキストガイダンスに基づいて,より優れたスタイル転送を実現する新しい手法を提案する。提案手法は複数のソースやモダリティからのスタイル入力を可能にし,マルチモーダル誘導画像スタイル転送(MMIST)を実現する。具体的には,特定のスタイルに整合したスタイル表現を生成する,新しいクロスモーダルなGANインバージョン手法によりMMISTを実現する。
論文参考訳（メタデータ） (2023-12-04T06:38:23Z)
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)
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)
Any-to-Any Style Transfer: Making Picasso and Da Vinci Collaborate [58.83278629019384]
スタイル転送は、コンテンツ参照のために、ある画像のスタイルを他の画像へのスタイル参照にレンダリングすることを目的としている。既存のアプローチでは、スタイルイメージの全体的スタイルをグローバルな方法で適用するか、あるいは、スタイルイメージのローカル色とテクスチャを、事前に定義された方法でコンテンツに移行するかのいずれかである。本稿では,Any-to-Any Style Transferを提案する。Any-to-Any Style Transferは,スタイル画像中の領域のスタイルを対話的に選択し,所定のコンテンツ領域に適用することができる。
論文参考訳（メタデータ） (2023-04-19T15:15:36Z)
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)
Domain Enhanced Arbitrary Image Style Transfer via Contrastive Learning [84.8813842101747]
Contrastive Arbitrary Style Transfer (CAST) は、新しいスタイル表現学習法である。本フレームワークは,スタイルコード符号化のための多層スタイルプロジェクタ,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,画像スタイル転送のための生成ネットワークという,3つのキーコンポーネントから構成される。
論文参考訳（メタデータ） (2022-05-19T13:11:24Z)
Pastiche Master: Exemplar-Based High-Resolution Portrait Style Transfer [103.54337984566877]
StyleGANの最近の研究は、限られたデータを用いたトランスファーラーニングによる芸術的肖像画生成に高い性能を示している。本稿では,オリジナルフェイスドメインと拡張アートポートレートドメインの両スタイルを柔軟に制御できる新しいDualStyleGANを提案する。高品質なポートレートスタイル転送とフレキシブルなスタイル制御において、DualStyleGANが最先端の手法よりも優れていることを示す実験である。
論文参考訳（メタデータ） (2022-03-24T17:57:11Z)
Deep Feature Rotation for Multimodal Image Style Transfer [0.0]
本稿では,Deep Feature Rotation (DFR) と呼ばれる,様々な方法でスタイル特徴を表現するための簡易な手法を提案する。提案手法は, 計算コストの負担を伴わずに, 中間機能埋め込みのための多種多様な拡張方法を示すものである。
論文参考訳（メタデータ） (2022-02-09T12:36:24Z)
Anisotropic Stroke Control for Multiple Artists Style Transfer [36.92721585146738]
Stroke Control Multi-Artist Style Transferフレームワークを開発した。異方性ストロークモジュール(ASM)は、様々なスタイルで適応的なセマンティック一貫性を持つネットワークを提供する。単一スケールの条件付き識別器とは対照的に,識別器はマルチスケールのテクスチャの手がかりを捉えることができる。
論文参考訳（メタデータ） (2020-10-16T05:32:26Z)

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。