针对移动环境的设备风格转移模型的设计和实验研究
1Seoul AI School, aSSIST University, 46 Ewhayeodae-gil, Seodaemun-gu, Seoul, 03767, Republic of Korea.
Scientific reports
|April 21, 2025
概括
本研究介绍了实时移动AI的轻量级神经风格传输 (NST) 模型,增强隐私并降低成本. 优化的模型平衡了设备上艺术图像处理的效率和质量.
科学领域:
- 计算机视觉 计算机视觉
- 人工智能的人工智能
- 移动计算 移动计算
背景情况:
- 神经风格传输 (NST) 通常需要基于云的处理,限制移动设备上的实时应用程序.
- 由于资源限制,在设备上部署人工智能在平衡模型效率与视觉质量方面面临挑战.
- 现有的深度学习模型往往难以满足移动环境的性能需求.
研究的目的:
- 开发和评估轻量级的NST模型,以便在移动设备上高效地实时执行.
- 为了使NST能够在设备上进行AI处理,从而提高用户隐私并降低运营成本.
- 解决移动深度学习中的计算效率和视觉保真之间的权衡问题.
主要方法:
- 设计轻量级的NST模型,使用深度可分离的卷积,残留瓶和优化的上采样技术.
- 整合了受MobileNet和ResNet启发的架构元素,以提高效率.
- 根据参数,FLOP,内存使用量和图像转换质量评估了五种模型变化.
主要成果:
- 优化模型在资源有限的移动环境中成功实现了实时性能.
- 在计算效率和高质量的图像造型之间取得了显著的平衡.
- 实验结果验证了拟议的轻量级架构的有效性.
结论:
- 开发的轻量级NST模型可在移动设备上实时部署.
- 这项工作能够为移动摄影和增强现实提供先进的设备内艺术图像处理.
- 这些发现为未来在移动创意应用和实时人工智能方面的进步铺平了道路.
