Ungepaarte künstlerische Porträtstilübertragung über asymmetrisches Doppel-Stream GAN

Mit der Entwicklung von Technologien zur Übertragung von Bildstilen hat die Porträtstilübertragung in dieser Forschungscommunity zunehmende Aufmerksamkeit erregt. In diesem Artikel präsentieren wir ein asymmetrisches Doppel-Stream generatives gegnerisches Netzwerk (ADS-GAN), um die Probleme zu lösen, die durch Karikaturisierung und andere Stilübertragungstechniken verursacht werden, wenn sie auf Porträtfotos angewendet werden, wie z. B. Gesichtsdeformation, fehlende Konturen und steife Linien. Durch die Beobachtung der Eigenschaften zwischen Quell- und Zielbildern schlagen wir einen kantenkonturhaltenden (ECR) regularisierten Verlust vor, um die lokalen und globalen Konturen der erzeugten Porträtbilder zu beschränken, um Deformationen zu vermeiden. Darüber hinaus wird ein Inhalt-Stil-Feature-Fusionsmodul eingeführt, um den Stil des Zielbilds weiter zu erlernen, das einen Stil-Attentionsmechanismus verwendet, um Merkmale zu integrieren und Stilmerkmale gemäß den Aufmerksamkeitsgewichten in die Inhaltsmerkmale der Porträtfotos einzubetten. Schließlich wird ein gefilterter Filter im Inhaltsencoder eingeführt, um die Texturen und spezifischen Details des Quellbilds zu glätten und so deren negative Auswirkungen auf den Stiltransfer zu beseitigen. Wir führten eine umfassende einheitliche Optimierungstraining aller Komponenten durch und erhielten ein ADS-GAN für ungepaarte künstlerische Porträtstilübertragung. Qualitative Vergleiche und quantitative Analysen zeigen, dass die vorgeschlagene Methode überlegene Ergebnisse im Vergleich zu Benchmark-Arbeiten bei der Erhaltung der gesamten Struktur und Konturen des Porträts liefert; Ablations- und Parameterstudien demonstrieren die Effektivität jeder Komponente in unserem Rahmen.