相关实验视频
Updated: May 16, 2025
13:19
Deep Neural Networks for Image-Based Dietary Assessment
Published on: March 13, 2021
8.9K
在数字艺术中应用深度学习进行风格转移:通过神经网络增强创意表达
Shijun Zhang1, Yanling Qi1, Jingqi Wu2
1Art Museum, Luxun Academy of Fine Arts, Shenyang, 110004, Liaoning, China.
Scientific reports
|April 6, 2025
概括
这项研究改进了神经风格转移 (NST) 以实现更好的艺术图像创作. 增强的模型显著提高了风格忠实性和内容保存,同时在实时应用程序中减少了76%的处理时间.
科学领域:
- 计算机视觉 计算机视觉
- 数字艺术 数字艺术 数字艺术
- 机器学习 机器学习
背景情况:
- 神经风格转移 (NST) 将艺术风格与图像内容混合在一起.
- 传统的NST方法在平衡风格忠实性,内容保存和计算效率方面扎.
- 现有的模型往往缺乏实时应用所需的速度.
研究的目的:
- 为了提高神经风格传输的效率和质量.
- 为了应对内容保留,风格忠实和计算性能方面的挑战.
- 为了提高实际NST应用的视觉连贯性和一致性.
主要方法:
- 在卷积神经网络 (CNN) 中提出了一个完善的模型,集成自适应实例规范化 (AdaIN) 和基于Gram矩阵的样式表示.
- 使用定量指标评估模型:内容丢失,风格丢失,结构相似度指数 (SSIM) 和处理时间.
- 对内容和风格的一致性进行了定性评估.
主要成果:
- 与基线模型相比,内容和风格损失减少了15%.
- 在中型风格强度方面获得了0.88的SSIM评分,表明结构完整性得到维护.
- 减少了76%的处理时间,实现了近乎实时的性能.
- 在各种艺术风格中保持高风格忠实,内容损失最小.
结论:
- 精致的NST模型有效地平衡了风格和内容,提高了视觉质量和计算效率.
- 进步使NST更容易获得实时艺术应用.
- 该模型作为数字艺术,设计和多媒体制作的多功能工具.
