digilib@itb.ac.id +62 812 2508 8800

Abstrak
PUBLIC karya

Saat melakukan “fast” neural style transfer menggunakan pendekatan arbitrary style transfer, gambar konten dan gambar style yang digunakan sebagai input dapat lebih bervariasi daripada pendekatan yang memetakan style dari gambar kedalam model yang digunakan seperti yang digunakan dalam real-time style transfer. Selain itu pendekatan ini juga mampu memberikan hasil yang lebih cepat daripada pendekatan yang melakukan optimasi langsung dari nilai piksel gambar sebagaimana yang dilakukan pada “slow” neural style transfer. Dibalik semua kelebihan ini, pendekatan arbitrary style transfer hanya mampu menghasilkan gambar dengan komposisi konten dan style sesuai dengan fungsi loss yang ditentukan pada saat pelatihan. Oleh sebab itu dirumuskanlah sebuah pendekatan yang disebut dengan Multi Tensor Injection (MuTI) yang mampu mengontrol intensitas warna dan tekstur gambar yang dihasilkan oleh model neural style transfer tanpa melalui proses pelatihan ulang terhadap model. Dalam penelitian ini terdapat beberapa skenario yang digunakan dalam melakukan eksperimen terhadap pendekatan MuTI. Berdasarkan hasil percobaan yang dilakukan, ditemukan bahwa pendekatan MuTI dengan input berupa feature encoding gambar style yang dinormalisasi memberikan hasil yang terbaik dibanding pendekatan lainnya. Hal ini dapat disimpulkan karena pendekatan ini mampu menekan nilai konten dan style loss lebih baik daripada pendekatan lainnya.