新的Style-CCL框架增强了内容保持的风格迁移能力

研究人员开发了Style-CCL，一个利用Diffusion Transformers实现内容保持的风格迁移的新框架。该方法采用课程持续学习方法，首先在语义风格上训练双分支SC-DiT模型，然后训练纹理风格，同时从干净数据进展到合成数据。为了缓解灾难性遗忘，在训练阶段使用了随机记忆回放。实验表明，Style-CCL在风格相似性、内容一致性和美学质量方面优于现有方法。 AI

影响 引入了一种新颖的Diffusion Transformers课程学习方法，有望提高图像生成和风格迁移能力。

排序理由 该集群包含一篇发表在arXiv上的研究论文，详细介绍了一种新的风格迁移方法和模型架构。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.CV 阅读 →

• alphaXiv
• arXiv
• CatalyzeX
• DagsHub
• Diffusion Transformers
• Gotit.pub
• Hugging Face
• Random Memory Rehearsal
• ROPE embeddings
• SC-DiT
• ScienceCast
• Style-CCL

• 论文
• 模型发布

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →