CVPR2025论文解析|StyleStudio Text-Driven Style Transfer with Selective Control of Style Elements

论文标题

StyleStudio: Text-Driven Style Transfer with Selective Control of Style Elements StyleStudio：基于文本驱动的风格迁移，并可选择性控制风格元素

论文链接

StyleStudio: Text-Driven Style Transfer with Selective Control of Style Elements论文下载

论文作者

Mingkun Lei, Xue Song, Beier Zhu, Hao Wang, Chi Zhang

内容简介

本文提出了一种新的文本驱动风格迁移方法StyleStudio，旨在将参考图像的风格与文本提示描述的内容有效融合。尽管近年来文本到图像模型的进展提高了风格转换的细致程度，但仍面临过度拟合、风格控制不足和文本内容不一致等挑战。为了解决这些问题，本文提出了三种互补策略：首先，引入跨模态自适应实例归一化（AdaIN）机制，以更好地整合风格和文本特征；其次，开发了一种基于风格的无分类器引导（SCFG）方法，允许对风格元素进行选择性控制；最后，在早期生成阶段引入教师模型，以稳定空间布局并减轻伪影。通过广泛的评估，结果表明，StyleStudio显著提高了风格迁移质量和与文本提示的一致性，并且可以无缝集成到现有的风格迁移框架中，无需微调。

分点关键点

1. 跨模态自适应实例归一化（AdaIN）

   • 本文提出的AdaIN机制通过将风格图像特征与文本特征进行有效整合，增强了生成过程中的对齐度。这种方法避免了传统加权求和策略的局限性，使得风格和文本特征能够更好地互补。

2. 基于风格的无分类器引导（SCFG）

   • SCFG方法允许用户对风格元素进行选择性控制，减少无关风格特征的影响。通过生成一个“负面”图像，SCFG能够专注于目标风格元素，从而提高生成图像的质量。

3. 教师模型的引入

   • 在生成的早期阶段，教师模型通过共享空间注意力图来稳定布局，确保生成图像的结构一致性。这种方法有效减轻了生成过程中的伪影问题，如棋盘格效应。

4. 广泛的评估与应用

   • 通过对多种风格和文本提示的评估，StyleStudio显著提高了生成图像的对齐度和质量。此外，该方法具有良好的适应性，可以集成到现有的风格迁移框架中，且无需进行微调。

中文关键词

1. 文本驱动风格迁移
2. 自适应实例归一化
3. 无分类器引导
4. 教师模型
5. 风格控制
6. 生成图像质量

CVPR论文合集：

CVPR论文合集

希望这些论文能帮到你！如果觉得有用，记得点赞关注哦~ 后续还会更新更多论文合集！！