【翻译】Style-Aware Normalized Loss for Improving Arbitrary Style TransferAbstract1. Introduction2. Related Work3. AST Style Loss 分析4. A New Blalanced AST Style Loss5. 实验评估6. 结论
神经风格转换（NST）已经从单一风格迅速发展到无限风格模型，也被称为任意风格转换（AST）。尽管吸引人的结果在文献中被广泛报道，但我们对四种著名的AST方法（GoogleMagenta[14]、AdaIN[19]、LinearTransfer[29]和SANet[37]）的实证研究表明，超过50%的时间，AST风格化的图像不能被人类用户接受，通常是因为风格化不足或过度。我们系统地研究了这种不平衡的风格转移性（IST）的原因，并提出了一个简单而有效的解决方案来缓解这个问题。...
