Neural Style Transfer
Neural Style Transfer (NST) är en bildsyntesteknik inom djupinlärning, introducerad av Gatys, Ecker och Bethge 2015, som separerar det semantiska innehållet i en bild från den visuella texturen och den konstnärliga stilen i en annan. Tekniken rekombinerar dem sedan till en enda syntetiserad bild genom att iterativt optimera pixelvärden för att minimera en kombinerad innehålls- och stilförlust, beräknad från feature maps i ett förtränat faltningsnätverk.
Läs hela metoden
Logga in med ett kostnadsfritt konto för att läsa avsnittet.
Metodkarta
Närområdet av besläktade metoder — välj en nod för att utforska.
Källor
- Gatys, L. A., Ecker, A. S., & Bethge, M. (2016). Image Style Transfer Using Convolutional Neural Networks. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR), pp. 2414–2423. DOI: 10.1109/CVPR.2016.265 ↗
- Gatys, L. A., Ecker, A. S., & Bethge, M. (2015). A Neural Algorithm of Artistic Style. arXiv preprint arXiv:1508.06576. link ↗
- Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep Learning. MIT Press. ISBN: 978-0-262-03561-3
Så citerar du den här sidan
ScholarGate. (2026, June 3). Neural Style Transfer via Convolutional Neural Network Feature Statistics. ScholarGate. https://scholargate.app/sv/deep-learning/neural-style-transfer
Vilken metod?
Placera den här metoden bredvid sina närmaste släktingar och läs dem sida vid sida — biblioteket lägger fram böckerna på bordet; valet är ditt.
- Generativt antagonistiskt nätverkDjupinlärning↔ jämför
- ÖverföringsinlärningMaskininlärning↔ jämför
- Variational AutoencoderDjupinlärning↔ jämför
Refereras av
Hittade du ett fel på sidan? Rapportera eller föreslå en rättelse →