論文の概要: Edge Enhanced Image Style Transfer via Transformers

• arxiv url: http://arxiv.org/abs/2301.00592v1
• Date: Mon, 2 Jan 2023 10:39:31 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-03 15:56:35.891016
• Title: Edge Enhanced Image Style Transfer via Transformers
• Title（参考訳）: トランスフォーマによるエッジ強化イメージスタイル転送
• Authors: Chiyu Zhang, Jun Yang, Zaiyan Dai, Peng Cao
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 6.666912981102909
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In recent years, arbitrary image style transfer has attracted more and more attention. Given a pair of content and style images, a stylized one is hoped that retains the content from the former while catching style patterns from the latter. However, it is difficult to simultaneously keep well the trade-off between the content details and the style features. To stylize the image with sufficient style patterns, the content details may be damaged and sometimes the objects of images can not be distinguished clearly. For this reason, we present a new transformer-based method named STT for image style transfer and an edge loss which can enhance the content details apparently to avoid generating blurred results for excessive rendering on style features. Qualitative and quantitative experiments demonstrate that STT achieves comparable performance to state-of-the-art image style transfer methods while alleviating the content leak problem.
• Abstract（参考訳）: 近年、任意の画像スタイルの転送が注目されている。 一対のコンテンツとスタイルイメージが与えられた場合、前者からのコンテンツを保持しつつ、後者からのスタイルパターンをキャッチするスタイル化されたイメージが望まれる。 しかし,コンテンツの詳細とスタイル特徴のトレードオフを同時に把握することは困難である。 十分なスタイルパターンで画像をスタイリングするには、内容の詳細が損なわれ、時には画像のオブジェクトを明確に区別することができない。 そこで本稿では,画像スタイル転送のためのSTTとエッジロスのための新しいトランスフォーマー方式を提案する。 定性的かつ定量的な実験により、STTはコンテンツリーク問題を緩和しつつ、最先端の画像スタイルの転送手法に匹敵する性能を示す。

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)
• Puff-Net: Efficient Style Transfer with Pure Content and Style Feature Fusion Network [32.12413686394824]
  スタイル転送は、オリジナルの構造を維持しながら、スタイルイメージの芸術的な特徴で画像をレンダリングすることを目的としている。 CNNベースの手法では、入力画像間の大域的情報と長距離依存関係を扱うことは困難である。 我々はPuff-Netと呼ばれる新しいネットワーク、すなわち純粋コンテンツとスタイルの機能融合ネットワークを提案する。
  論文  参考訳（メタデータ） (2024-05-30T07:41:07Z)
• InfoStyler: Disentanglement Information Bottleneck for Artistic Style Transfer [22.29381866838179]
  アートスタイルの転送は、アートワークのスタイルを、オリジナル全体のコンテンツを維持しながら写真に転送することを目的としている。 本稿では,コンテンツとスタイル表現の両面において,最小限の情報を取得するために,InfoStylerという新しい情報分離手法を提案する。
  論文  参考訳（メタデータ） (2023-07-30T13:38:56Z)
• 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)
• 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)
• Improving the Latent Space of Image Style Transfer [24.37383949267162]
  事前訓練されたエンコーダの特徴統計は、私たちが認識した視覚的スタイルと一致しない場合もある。 そのような不適切な潜在空間では、既存の手法の目的関数は間違った方向に最適化される。 本稿では,この課題に適合する洗練されたエンコーダを得るための2つの対照的な訓練手法を提案する。
  論文  参考訳（メタデータ） (2022-05-24T15:13:01Z)
• Language-Driven Image Style Transfer [72.36790598245096]
  我々は、テキストでガイドされたコンテンツイメージのスタイルを操作するための新しいタスク、言語駆動型イメージスタイル転送(textttLDIST)を導入する。 識別器は、スタイルイメージの言語とパッチの相関や、変換された結果の相関を考慮し、スタイル命令を共同で埋め込む。 実験により, CLVAは有効であり, textttLDIST 上で超高速に転送された結果が得られた。
  論文  参考訳（メタデータ） (2021-06-01T01:58:50Z)
• 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)
• ArtFlow: Unbiased Image Style Transfer via Reversible Neural Flows [101.16791104543492]
  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。
  論文  参考訳（メタデータ） (2021-03-31T07:59:02Z)
• Arbitrary Style Transfer via Multi-Adaptation Network [109.6765099732799]
  所望のスタイル転送は、内容画像と参照されたスタイル絵が与えられた場合、そのスタイル絵の色調と鮮やかなストロークパターンで内容画像を描画する。 新たな不整合損失関数により,本ネットワークは,様々な入力画像に適応する主文パターンと正確なコンテンツ構造を抽出できる。
  論文  参考訳（メタデータ） (2020-05-27T08:00:22Z)
• 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。

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。