Arbitrary Style Transfer using Graph Instance Normalization

论文链接：https://arxiv.org/abs/2010.02560

GrIN（图实例归一化）：一种新的可学习的归一化技术，用于使用图卷积网络进行风格迁移，其优于AdaIN，该模块还适用于其他任务，例如图像到图像的转换或域自适应。作者单位：韩国科学技术院(KAIST)

风格迁移是图像合成任务，它在保留内容的同时将一个图像的风格应用于另一个图像。 在统计方法中，自适应实例归一化（AdaIN）通过对特征的均值和方差进行归一化来增白源图像并应用目标图像的样式。 但是，计算每个实例的特征统计量会忽略特征之间的固有关系，因此很难在适合各个训练数据集的同时学习全局风格。在本文中，我们提出了一种新的可学习的归一化技术，用于使用图卷积网络进行风格迁移，称为图实例归一化（GrIN）。 通过考虑实例之间共享的相似信息，该算法使风格迁移方法更加健壮。此外，这个简单的模块还适用于其他任务，例如图像到图像的翻译或域适应。

内容中包含的图片若涉及版权问题，请及时与我们联系删除