.png){kind=icon}
返回
Meta Network for Flow-Based Image Style Transfer
.png){kind=icon}
OA
AI
DOI：10.3390/electronics14102035.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
风格迁移旨在生成保留一幅图像内容同时采用另一幅图像艺术风格的合成图像。传统风格迁移方法通常需要为每种新风格训练独立的变换网络，这限制了其适应性和可扩展性。为解决这一挑战，我们提出了一种基于流的图像风格迁移框架，该框架整合了随机层次流（RH Flow）和用于自适应参数生成的元网络。元网络根据风格图像动态生成RH Flow参数，实现了无需重新训练即可高效灵活地适应新风格。RH Flow通过在层次耦合前引入特征子块的随机排列来增强特征交互，在保持内容结构的同时促进多样化和富有表现力的风格化。我们的实验结果表明，与现有方法相比，Meta FIST在内容保留、风格保真度和适应性方面均表现出更优越的性能。
Keyword:
meta learning
image style transfer
convolutional neural network
instance normalization
adversarial learning
flow-based model
期刊
IF:
2.6
论文数:
1.0W
被引数:
4.7W
机构
引用论文
.png){kind=icon}
Unpaired Image-to-Image Translation Using Cycle-Consistent Adversarial Networks使用循环一致的对抗网络进行不成对的图像到图像的翻译
OAAI
OAAI分享收藏An Improved Detail-Enhancement CycleGAN Using AdaLIN for Facial Style Transfer基于AdaLIN的改进型细节增强型CycleGAN在面部风格迁移中的应用OAAI
OAAI分享收藏
查看更多内容