เปรียบเทียบวิธี

	การถ่ายทอดสไตล์ด้วยโครงข่ายประสาทเทียม	ตัวเข้ารหัสอัตโนมัติแบบแปรผัน
สาขาวิชา	การเรียนรู้เชิงลึก	การเรียนรู้เชิงลึก
ตระกูล	Machine learning	Machine learning
ปีกำเนิด	2015	2014
ผู้ริเริ่ม	Gatys, L. A.; Ecker, A. S.; Bethge, M.	Kingma, D. P. & Welling, M.
ประเภท	Iterative optimization over CNN feature statistics	Deep generative latent-variable model (encoder–decoder)
แหล่งต้นตำรับ	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.	Kingma, D. P. & Welling, M. (2014). Auto-Encoding Variational Bayes. International Conference on Learning Representations (ICLR).
ชื่อเรียกอื่น	NST, artistic style transfer, neural artistic style, CNN style transfer	Değişkensel Otokodlayıcı (VAE), VAE, auto-encoding variational Bayes, deep latent variable model
ที่เกี่ยวข้อง	3	5
สรุป	Neural Style Transfer (NST) is a deep-learning image synthesis technique, introduced by Gatys, Ecker, and Bethge in 2015, that separates the semantic content of one image from the visual texture and artistic style of another, then recombines them into a single synthesized image by iteratively optimizing pixel values to minimize a combined content and style loss computed from the feature maps of a pretrained convolutional neural network.	The Variational Autoencoder (VAE) is a deep generative latent-variable model, introduced by Diederik Kingma and Max Welling in 2014, that encodes data as a probability distribution in a latent space and samples from that distribution to generate new examples. It is used for data generation, anomaly detection, and feature learning.