Fugu-MT 論文翻訳(概要): Image Style Transfer: from Artistic to Photorealistic

論文の概要: Image Style Transfer: from Artistic to Photorealistic

arxiv url: http://arxiv.org/abs/2203.06328v1
Date: Sat, 12 Mar 2022 03:22:05 GMT
ステータス: 処理完了
システム内更新日: 2022-03-20 02:46:19.865248
Title: Image Style Transfer: from Artistic to Photorealistic
Title（参考訳）: Image Style Transfer: アートからフォトリアリスティックへ
Authors: Chenggui Sun and Li Bin Song
Abstract要約: ディープラーニングの急速な進歩は、フォトリアリスティックなスタイルのトランスファーの発展を著しく加速させた。本稿では,芸術的なスタイル転送から始まるフォトリアリスティックなスタイル転送の発展と,従来の画像処理技術がフォトリアリスティックなスタイル転送に寄与することについてレビューする。
参考スコア（独自算出の注目度）: 0.8528384027684192
License: http://creativecommons.org/licenses/by/4.0/
Abstract: The rapid advancement of deep learning has significantly boomed the development of photorealistic style transfer. In this review, we reviewed the development of photorealistic style transfer starting from artistic style transfer and the contribution of traditional image processing techniques on photorealistic style transfer, including some work that had been completed in the Multimedia lab at the University of Alberta. Many techniques were discussed in this review. However, our focus is on VGG-based techniques, whitening and coloring transform (WCTs) based techniques, the combination of deep learning with traditional image processing techniques.
Abstract（参考訳）: ディープラーニングの急速な進歩は、フォトリアリスティックなスタイル転送の発展を著しく加速させた。本総説では, アルバータ大学マルチメディア研究室で完成した作品を含む, 芸術的スタイル転送から始まるフォトリアリスティックなスタイル転送の展開と, 従来の画像処理技術によるフォトリアリスティックなスタイル転送への貢献を概観する。このレビューでは多くのテクニックが議論された。しかし我々は,vggベースの技術,ホワイトニング,カラー化変換(wcts)に基づく技術,ディープラーニングと従来の画像処理技術の組み合わせに重点を置いている。

関連論文リスト

Towards Highly Realistic Artistic Style Transfer via Stable Diffusion with Step-aware and Layer-aware Prompt [12.27693060663517]
芸術的スタイルの転送は、学習した芸術的スタイルを任意のコンテンツイメージに転送することを目的としており、芸術的なスタイル化されたイメージを生成する。 LSASTと呼ばれる,事前学習型拡散型アートスタイルトランスファー手法を提案する。提案手法は,最先端の芸術的スタイル伝達法よりも,よりリアルな芸術的スタイル化画像を生成することができる。
論文参考訳（メタデータ） (2024-04-17T15:28:53Z)
ArtBank: Artistic Style Transfer with Pre-trained Diffusion Model and Implicit Style Prompt Bank [9.99530386586636]
アートスタイルの転送は、学習したアートスタイルでコンテンツイメージを再描画することを目的としている。既存のスタイル転送手法は、小さなモデルベースアプローチと、事前訓練された大規模モデルベースアプローチの2つのカテゴリに分けられる。本研究では,高度にリアルなスタイライズされた画像を生成するために,アートバンクという新しいスタイル転送フレームワークを提案する。
論文参考訳（メタデータ） (2023-12-11T05:53:40Z)
Chinese Painting Style Transfer Using Deep Generative Models [0.0]
アートスタイルの転送は、コンテンツを保存しながらイメージのスタイルを変更することを目的としている。本研究は,中国絵画様式の転写における最先端の深層生成モデルについて研究・活用する。
論文参考訳（メタデータ） (2023-10-15T23:05:17Z)
Learning to Evaluate the Artness of AI-generated Images [64.48229009396186]
アートスコア(ArtScore)は、アーティストによる本物のアートワークと画像がどの程度似ているかを評価するために設計されたメトリクスである。我々は、写真とアートワークの生成のために事前訓練されたモデルを採用し、一連の混合モデルを生み出した。このデータセットはニューラルネットワークのトレーニングに使用され、任意の画像の定量化精度レベルを推定する方法を学ぶ。
論文参考訳（メタデータ） (2023-05-08T17:58:27Z)
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)
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)
Inversion-Based Style Transfer with Diffusion Models [78.93863016223858]
以前の任意の例として誘導された芸術的画像生成法は、しばしば形状変化の制御や要素の伝達に失敗する。画像のキー情報を効率よく正確に学習できるインバージョンベースのスタイル転送手法(InST)を提案する。
論文参考訳（メタデータ） (2022-11-23T18:44:25Z)
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)
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)
LiveStyle -- An Application to Transfer Artistic Styles [0.0]
ニューラルネットワークを用いたスタイルトランスファー(Style Transfer)とは、コンテンツイメージとスタイルイメージを取り込んでブレンドする最適化手法である。本稿では,3種類のニューラルネットワークを用いて,一般市民が利用できるアプリケーションとしてスタイルトランスファーを実装した。
論文参考訳（メタデータ） (2021-05-03T13:50:48Z)
Joint Bilateral Learning for Real-time Universal Photorealistic Style Transfer [18.455002563426262]
フォトリアリスティックなスタイル転送は、画像の芸術的スタイルをコンテンツターゲットに転送し、カメラで撮影可能な結果を生成するタスクである。ディープニューラルネットワークに基づく最近のアプローチでは、印象的な結果が得られるが、現実的な解像度での実行には遅すぎるか、好ましくないアーティファクトがまだ含まれている。高速かつ本質的にフォトリアリスティックな結果を生成するフォトリアリスティックなスタイル転送のための新しいエンド・ツー・エンドモデルを提案する。
論文参考訳（メタデータ） (2020-04-23T03:31:24Z)

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。