A Transformer Guided Generative Adversarial Network (TG-GAN) for Style Transfer in Artistic and Natural Scene Images
Notice bibliographique
Résumé
The artistic style transfer is a technique to produce aesthetically pleasing images by merging the semantic content of one domain with the stylistic attributes of another.Most attentionbased GAN structures have been unable to achieve structural consistency and style fidelity across heterogeneous datasets.This paper presents a Transformer-Guided Generative Adversarial Network (TG-GAN) that incorporates multi-head self-attention into the generator to improve cross-domain feature alignment while ensuring perceptual realism.The role of the transformer is to flexibly align content-style relations using a novel adaptive token fusion approach, guided by a perceptual-adversarial optimization process.Results based on qualitative and quantitative evaluations on MS-COCO to WikiArt and MS-COCO to Flickr Landscapes demonstrate that TG-GAN achieves superior results over both StyTr and DualStyleGAN in terms of structural integrity and stylization quality.The models proposed achieved an SSIM of 0.803, an FID of 24.5, and a Style Classification Accuracy of 91.3%, which is better than existing transformer-based GAN frameworks.The framework provides a promising pathway for scalable cross-domain and multimodal style transfer while also offering additional perspectives for integrating transformer architectures with generative adversarial learning.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,006 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».