Jingwei Yang

UniCSG框架通过分阶段训练实现内容风格分离，增强了扩散模型

研究人员推出UniCSG，一个旨在提高扩散模型中高保真内容约束、风格驱动生成能力的新型框架。该方法通过采用分阶段训练过程，解决了Diffusion Transformers (DiT)等模型中常见的风格内容纠缠问题。该框架首先通过低频预处理和条件腐败来解耦潜在空间语义，然后进行频率感知细节重建阶段，使用多尺度频率监督。此外，UniCSG还结合了像素空间奖励学习，以提高解码后的感知质量，展示了改进的内容保真度和风格对齐能力。