不配对的艺术肖像风格转移通过不对称的双流GAN
概括
本研究介绍了一种不对称的双流生成对抗网络 (ADS-GAN) 用于艺术肖像风格转移. ADS-GAN有效地保留了面部轮和结构,克服了现有方法的局限性.
科学领域:
- 计算机视觉 计算机视觉
- 人工智能的人工智能
- 图像处理 图像处理
背景情况:
- 肖像风格转移是图像风格转移技术中的一个不断增长的研究领域.
- 像卡通化这样的现有方法往往会导致不良的工件,如面部变形和肖像图像中的轮损失.
研究的目的:
- 解决当前肖像风格转移技术的局限性,包括面部变形和轮问题.
- 开发一种新的生成对抗网络,用于未配对的艺术肖像风格转移,保留关键的面部特征.
主要方法:
- 开发了一个不对称的双流生成对抗网络 (ADS-GAN).
- 建议使用边缘轮保留 (ECR) 调节损失来保持局部和全局轮,防止变形.
- 一个内容风格特征融合模块与风格注意力机制被集成,以增强风格学习.
- 在内容编码器中包含一个引导过器,用于预处理源图像,从而减少对风格传输的负面影响.
主要成果:
- 拟议的ADS-GAN方法在定性和定量分析中表现优于基准方法.
- 生成的肖像成功地保留了原始图像的整体结构和轮.
- 废弃和参数研究证实了ADS-GAN框架内单个成分的有效性.
结论:
- 开发的ADS-GAN对于未配对的艺术肖像风格转移是有效的.
- 整合ECR损失和风格注意力机制显著提高了风格传输肖像的质量和真实性.
- 该方法成功地减轻了在肖像风格转移中的变形和轮损失等常见问题.
