研究人员为扩散模型开发了一个名为SEFS（Style-Encoder-Free Stylization，无风格编码器风格化）的新框架，该框架允许在不需要对齐的内容-风格-目标三元组或辅助视觉编码器的情况下进行风格迁移。SEFS从单个训练图像的低分辨率裁剪中生成风格令牌，保留局部外观统计信息，同时最大限度地减少不期望的场景结构的迁移。该框架还为目标内容纳入了边缘和分割线索，并使用风格到去噪的重新归一化技术进行令牌对齐，并计划公开提供代码。 AI
影响 这项研究可以简化和改进扩散模型中的风格迁移过程，可能带来更易于访问和更有效的创意工具。
排序理由 详细介绍扩散模型风格化新方法的学术论文。
在 Hugging Face Daily Papers 阅读 →
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
arXiv:2608.19719v1 Announce Type: cross Abstract: Reference-based diffusion stylization requires separating target geometry from transferable appearance. Existing tuning-based methods often rely on aligned content-style-target triplets or auxiliary visual encoders, which increase…
Reference-based diffusion stylization requires separating target geometry from transferable appearance. Existing tuning-based methods often rely on aligned content-style-target triplets or auxiliary visual encoders, which increases data cost and can transfer unintended scene stru…