論文の概要: Region-controlled Style Transfer
- arxiv url: http://arxiv.org/abs/2310.15658v1
- Date: Tue, 24 Oct 2023 09:11:34 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-25 19:27:58.494773
- Title: Region-controlled Style Transfer
- Title（参考訳）: 地域制御型スタイル転送
- Authors: Junjie Kang, Jinsong Wu, Shiqi Jiang
- Abstract要約: 本研究では,損失関数を用いて異なる領域のスタイル強度を制約する学習手法を提案する。
本手法は,スタイル画像とコンテンツ画像の勾配関係に基づいて,異なる領域におけるスタイル特徴の伝達強度を導出する。
また,その意味的関係を保ちながら,コンテンツ特徴をスタイル特徴に類似するように線形に変換する新たな特徴融合手法を提案する。
- 参考スコア（独自算出の注目度）: 3.588126599266807
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Image style transfer is a challenging task in computational vision. Existing
algorithms transfer the color and texture of style images by controlling the
neural network's feature layers. However, they fail to control the strength of
textures in different regions of the content image. To address this issue, we
propose a training method that uses a loss function to constrain the style
intensity in different regions. This method guides the transfer strength of
style features in different regions based on the gradient relationship between
style and content images. Additionally, we introduce a novel feature fusion
method that linearly transforms content features to resemble style features
while preserving their semantic relationships. Extensive experiments have
demonstrated the effectiveness of our proposed approach.
- Abstract（参考訳）: 画像スタイル転送は計算ビジョンにおいて難しい課題である。
既存のアルゴリズムは、ニューラルネットワークの特徴層を制御することによって、スタイルイメージの色とテクスチャを転送する。
しかし、コンテンツ画像の異なる領域におけるテクスチャの強さを制御できない。
そこで本研究では,異なる領域のスタイル強度を制約するためにロス関数を用いたトレーニング手法を提案する。
本手法は,スタイル画像とコンテンツ画像の勾配関係に基づいて,異なる領域におけるスタイル特徴の伝達強度を導出する。
さらに,その意味的関係を維持しつつ,コンテンツの特徴をスタイル的特徴に線形変換する特徴融合手法を提案する。
広範な実験により,提案手法の有効性が実証された。
関連論文リスト
- Locally Stylized Neural Radiance Fields [30.037649804991315]
局所的なスタイル伝達に基づくニューラルレイディアンスフィールド(NeRF)のスタイリングフレームワークを提案する。
特に、ハッシュグリッド符号化を用いて外観や幾何学的要素の埋め込みを学習する。
提案手法は, 新規なビュー合成により, 可視なスタイリゼーション結果が得られることを示す。
論文 参考訳（メタデータ） (2023-09-19T15:08:10Z) - Retinex-guided Channel-grouping based Patch Swap for Arbitrary Style
Transfer [54.25418866649519]
パッチマッチングベースのスタイル転送の基本原理は、コンテンツ画像特徴マップのパッチを、スタイル画像特徴マップから最も近いパッチで置き換えることである。
既存の手法では、全チャネルスタイルの特徴パッチを単純な信号テンソルとして扱い、信号レベル融合による新しいスタイルの特徴パッチを作成する。
本稿では、上記の課題を解決するために、チャネルグループベースのパッチスワップスワップ技術であるRetinex理論を提案する。
論文 参考訳（メタデータ） (2023-09-19T11:13:56Z) - 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) - Saliency Constrained Arbitrary Image Style Transfer using SIFT and DCNN [22.57205921266602]
一般的なニューラルスタイルの転送方法を使用する場合、スタイル画像のテクスチャや色は通常、コンテンツ画像に不完全に転送される。
本稿では,その効果を低減・回避するための新しいサリエンシ制約手法を提案する。
実験により、ソースイメージの正当性マップは正しいマッチングを見つけ出し、アーティファクトを避けるのに役立つことが示された。
論文 参考訳（メタデータ） (2022-01-14T09:00:55Z) - Manifold Alignment for Semantically Aligned Style Transfer [61.1274057338588]
我々は,同じ意味領域からの画像特徴が多様体を形成し,複数の意味領域を持つ画像が多次元分布に従うことを仮定する。
この仮定に基づき、スタイル伝達問題は2つの多次元分布の整列として定式化される。
提案したフレームワークは、出力とスタイルイメージの間の意味的に類似した領域を、類似したスタイルパターンを共有することができる。
論文 参考訳（メタデータ） (2020-05-21T16:52:37Z) - 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。