يهدف نقل الأنماط العشوائية إلى تطبيق نمط أي صورة فنية معينة على صورة محتوى أخرى. ومع ذلك، تتطلب الطرق الحالية المعتمدة على التعلم العميق في كثير من الأحيان تكاليف حسابية كبيرة لتوليد نتائج أنماط متنوعة. بدافع من هذا، نقترح إطار عمل جديد يعتمد على التعزيز لنقل الأنماط العشوائية RLMiniStyler. يستفيد هذا الإطار من سياسة تعزيز موحدة لتوجيه عملية نقل الأنماط بشكل تكراري من خلال استكشاف واستغلال ملاحظات الت stylization، مما يولد تسلسلات سلسة من النتائج المخصصة مع تحقيق نماذج خفيفة الوزن. علاوة على ذلك، نقدم استراتيجية تعلم متعددة المهام تعتمد على الوعي بعدم اليقين تقوم تلقائياً بضبط أوزان الخسارة لتتناسب مع متطلبات التوازن بين المحتوى والنمط في مراحل التدريب المختلفة، مما يسرع من اقتراب النموذج. من خلال سلسلة من التجارب عبر دقات صور مختلفة، قمنا بالتحقق من مزايا RLMiniStyler مقارنة بالطرق المتطورة الأخرى في توليد تسلسلات صور فنية عالية الجودة ومتنوعة بتكلفة أقل. الرموز متاحة على https://github.com/fengxiaoming520/RLMiniStyler.
درس هو وزملاؤه (Mon،) هذا السؤال.