StyleShot: A Snapshot on Any Style

本文展示了一个好的风格表示对于无需测试时调整的广义风格转移至关重要且足够。我们通过构建一个风格感知的编码器和一个名为StyleGallery的良好组织的风格数据集来实现这一点。通过专门为风格学习设计，我们训练了这个风格感知的编码器，使用解耦训练策略提取具有表现力的风格表示，并且StyleGallery使其具有泛化能力。我们进一步采用内容融合编码器来增强基于图像的风格转移。我们强调，我们的方法名为StyleShot，简单而有效地模仿各种所需的风格，即3D、平面、抽象或精细的风格，无需测试时调整。严格的实验验证表明，与现有最先进的方法相比，StyleShot在各种风格上都实现了优越的性能。项目页面可在https://styleshot.github.io/上找到。

本论文旨在通过构建一个style-aware编码器和一个名为StyleGallery的组织良好的样式数据集，展示良好的样式表示对于广义样式转移的重要性和充分性，以及不需要测试时间调整的方法。

通过使用decoupling训练策略训练style-aware编码器来提取具有表现力的样式表示，并使用StyleGallery实现泛化能力。此外，还使用内容融合编码器增强了基于图像的样式转移。

该方法命名为StyleShot，可以简单而有效地模仿各种所需样式，例如3D、平面、抽象甚至细粒度样式，而不需要测试时间调整。实验结果表明，与现有的最先进方法相比，StyleShot在各种样式上都取得了卓越的性能。此外，该论文还提供了项目页面和开源代码。

最近在这个领域中，还有一些相关的研究，例如《A Neural Algorithm of Artistic Style》、《Image Style Transfer Using Convolutional Neural Networks》等。