Fugu-MT 論文翻訳(概要): Neural Neighbor Style Transfer

論文の概要: Neural Neighbor Style Transfer

arxiv url: http://arxiv.org/abs/2203.13215v1
Date: Thu, 24 Mar 2022 17:11:31 GMT
ステータス: 処理完了
システム内更新日: 2022-03-25 15:22:52.463422
Title: Neural Neighbor Style Transfer
Title（参考訳）: Neural Neighbor Style Transfer
Authors: Nicholas Kolkin, Michal Kucera, Sylvain Paris, Daniel Sykora, Eli Shechtman, Greg Shakhnarovich
Abstract要約: 本稿では,最先端の品質,一般化,芸術的スタイルの伝達のための競争効率を提供するパイプラインを提案する。我々のアプローチは、入力されたコンテンツから抽出されたニューラル特徴をスタイルの例から抽出した特徴に明示的に置き換え、最終的な出力を合成することに基づいている。
参考スコア（独自算出の注目度）: 31.746423262728598
License: http://creativecommons.org/licenses/by/4.0/
Abstract: We propose Neural Neighbor Style Transfer (NNST), a pipeline that offers state-of-the-art quality, generalization, and competitive efficiency for artistic style transfer. Our approach is based on explicitly replacing neural features extracted from the content input (to be stylized) with those from a style exemplar, then synthesizing the final output based on these rearranged features. While the spirit of our approach is similar to prior work, we show that our design decisions dramatically improve the final visual quality.
Abstract（参考訳）: 本稿では,最先端の品質,一般化,芸術的スタイル転送の競争効率を提供するパイプラインであるNeural Neighbor Style Transfer (NNST)を提案する。我々のアプローチは、コンテンツ入力から抽出したニューラル特徴を、スタイルの例から抽出した特徴に明示的に置き換え、これらの再配置された特徴に基づいて最終的な出力を合成することに基づいている。アプローチの精神は以前の作業と似ているが、設計上の決定が最終的な視覚的品質を劇的に改善することを示します。

関連論文リスト

Generative AI Model for Artistic Style Transfer Using Convolutional Neural Networks [0.0]
芸術的なスタイルの転送は、ある画像の内容を別の芸術的なスタイルに融合させ、ユニークな視覚的な構成を作り出すことである。本稿では,畳み込みニューラルネットワーク(CNN)を用いた新しいスタイル伝達手法の概要を概説する。
論文参考訳（メタデータ） (2023-10-27T16:21:17Z)
DIFF-NST: Diffusion Interleaving For deFormable Neural Style Transfer [27.39248034592382]
変形可能なスタイル転送を実現しつつ,新しいモデルのクラスを用いてスタイル転送を行う。これらのモデルの先行モデルを活用することで、推論時に新たな芸術的コントロールが公開できることを示す。
論文参考訳（メタデータ） (2023-07-09T12:13:43Z)
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)
Fine-Grained Image Style Transfer with Visual Transformers [59.85619519384446]
本稿では,コンテンツとスタイルイメージの両方を視覚トークンに分割し,よりきめ細かなスタイル変換を実現するSTTR(Style TRansformer)ネットワークを提案する。 STTRと既存のアプローチを比較するために,Amazon Mechanical Turkのユーザスタディを実施している。
論文参考訳（メタデータ） (2022-10-11T06:26:00Z)
HyperNST: Hyper-Networks for Neural Style Transfer [19.71337532582559]
本稿では,Hyper-networksとStyleGAN2アーキテクチャに基づく画像の芸術的スタイリング手法を提案する。我々の貢献は、スタイルベースビジュアルサーチ(SBVS)のために事前訓練された計量空間でパラメータ化されたスタイル転送を誘導する新しい方法である。技術的貢献はハイパーネットワークであり、さまざまな芸術的コンテンツに対して事前訓練されたStyleGAN2の重量更新を予測する。
論文参考訳（メタデータ） (2022-08-09T14:34:07Z)
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)
SAFIN: Arbitrary Style Transfer With Self-Attentive Factorized Instance Normalization [71.85169368997738]
芸術的スタイル転送は、ある画像のスタイル特性を他の画像に移し、その内容を保持することを目的としている。自己注意に基づくアプローチは、部分的な成功でこの問題に取り組みましたが、望ましくない成果物に悩まされています。本論文は,自己意識と正規化という両世界のベストを結合することを目的とする。
論文参考訳（メタデータ） (2021-05-13T08:01:01Z)
Geometric Style Transfer [74.58782301514053]
幾何学的スタイルの伝達をサポートするニューラルアーキテクチャを導入する。新しいアーキテクチャはテクスチャスタイルを転送するネットワークに先立って実行される。ユーザーはコンテント/スタイルのペアを一般的なように入力したり、コンテント/テクスチャスタイル/幾何学スタイルのトリプルを入力できる。
論文参考訳（メタデータ） (2020-07-10T16:33:23Z)
Parameter-Free Style Projection for Arbitrary Style Transfer [64.06126075460722]
本稿では,パラメータフリー,高速,効果的なコンテンツスタイル変換のための特徴レベル変換手法であるStyle Projectionを提案する。本稿では、任意の画像スタイルの転送にスタイル投影を利用するリアルタイムフィードフォワードモデルを提案する。
論文参考訳（メタデータ） (2020-03-17T13:07:41Z)

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。