本文综述了图像风格迁移的方法，包括传统的非参数方法和深度学习方法。深度学习方法分为基于图像迭代和基于模型迭代两类，前者如基于最大均值差异的算法，后者如基于生成模型的技术。尽管深度学习方法在图像风格迁移中取得了显著进展，但依然存在计算复杂度和生成质量的问题，未来仍有挑战待解决。
风格迁移综述
1.传统非参数的图像风格迁移方法主要基于物理模型的绘制和纹理的合成。非参数的图像风格迁移方法只能提取图像的底层特征，而非高层抽象特征，在处理颜色和纹理较复杂的图像时，最终的图像合成效果较为粗糙，难以符合实际需求。
2.深度学习的图像风格迁移方法主要包括（1）基于图像迭代和（2）基于模型迭代两种。
（1）基于图像迭代：合成图像的质量高、可控性好，易于调参，无需训练数据。//计算时间较长，对预训练模型的依赖性大。
1基于最大均值差异：
*Gatys L A, Ecker A S, Bethge M. A neural algorithm of artistic style [J].arXiv preprint arXiv: 1508. 06576, 2015（第一篇）
*Gatys L A, Bethge M, Hertzmann A, et al. Preserving color in neu
最低0.47元/天 解锁文章
扫一扫
1227
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
