本文探讨了图像风格迁移中的CycleGAN方法，提出了一种基于不确定性感知的广义自适应周期一致性概率方法，以提升无配对图像转换的性能。同时，研究了无监督图像翻译中的自我攻击问题，并提出了防御技术以提高生成质量。此外，介绍了Augmented CycleGAN和AsymmetricGAN模型，改善了缺乏配对数据情况下的图像处理效果。

该文综述多种图像风格迁移与生成方法：AGIS-Net以单阶段少样本方式迁移形状与纹理，并构建中文纹理数据集；配对重建法提升内容保留；PASD实现超分与个性化风格化；ASH可调节风格强度；USIS用自监督缩小配对与非配对差距；ZstGAN实现零样本翻译；混洗样式组装网络增强泛化；零样式扩散模型无需训练即可完成风格迁移。

该文汇总了多项视频与图像风格转换研究：提出可变形视频Transformer，按运动信息动态选块以兼顾精度与算力；PatchBlender为Transformer编码视频时间信息；交互式纹理转移提速2至5个数量级；补丁匹配风格转移提升一致性与内容保真；局部匹配卷积网络实现任意图像艺术风格迁移；无配对GAN完成医学图像转换；深度风格转移实现视频文本替换；Dynamics Transfer GAN迁移动态特征；文本视频编辑新法超越Tune-A-Video；CTDP双管道输出颜色与纹理转换。