Fugu-MT 論文翻訳(概要): Deep Image Style Transfer from Freeform Text

論文の概要: Deep Image Style Transfer from Freeform Text

arxiv url: http://arxiv.org/abs/2212.06868v1
Date: Tue, 13 Dec 2022 19:24:08 GMT
ステータス: 処理完了
システム内更新日: 2022-12-15 14:09:10.271942
Title: Deep Image Style Transfer from Freeform Text
Title（参考訳）: フリーフォームテキストからのDeep Image Style Transfer
Authors: Tejas Santanam, Mengyang Liu, Jiangyue Yu, Zhaodong Yang
Abstract要約: 本稿では,自由形ユーザテキスト入力からスタイル画像を生成することによって,ニューラルトランスファーの新しい手法を提案する。言語モデルとスタイル転送モデルはシームレスなパイプラインを形成し、同様の損失と品質改善を備えた出力画像を生成することができる。
参考スコア（独自算出の注目度）: 4.186575888568896
License: http://creativecommons.org/licenses/by/4.0/
Abstract: This paper creates a novel method of deep neural style transfer by generating style images from freeform user text input. The language model and style transfer model form a seamless pipeline that can create output images with similar losses and improved quality when compared to baseline style transfer methods. The language model returns a closely matching image given a style text and description input, which is then passed to the style transfer model with an input content image to create a final output. A proof-of-concept tool is also developed to integrate the models and demonstrate the effectiveness of deep image style transfer from freeform text.
Abstract（参考訳）: 本稿では,自由形式のユーザ入力からスタイル画像を生成することで,新しいディープニューラルスタイル転送法を提案する。言語モデルとスタイル転送モデルはシームレスなパイプラインを形成し、ベースラインスタイルの転送方法と比較して、同様の損失と品質の改善を伴う出力画像を生成することができる。言語モデルは、スタイルテキストと記述入力に与えられた密接に一致する画像を返し、入力されたコンテンツ画像と共にスタイル転送モデルに渡して最終的な出力を生成する。概念実証ツールも開発され、モデルを統合し、フリーフォームテキストからのディープイメージスタイル転送の有効性を示す。

関連論文リスト

StyleMamba : State Space Model for Efficient Text-driven Image Style Transfer [9.010012117838725]
StyleMambaは、テキストプロンプトを対応する視覚スタイルに変換する効率的な画像スタイル転送フレームワークである。既存のテキストガイドによるスタイリングには、数百のトレーニングイテレーションが必要で、多くのコンピューティングリソースが必要です。
論文参考訳（メタデータ） (2024-05-08T12:57:53Z)
Style Aligned Image Generation via Shared Attention [61.121465570763085]
本稿では,一連の生成画像間のスタイルアライメントを確立する技術であるStyleAlignedを紹介する。拡散過程において、最小限の注意共有を生かして、T2Iモデル内の画像間のスタイル整合性を維持する。本手法は,多種多様なスタイルやテキストのプロンプトにまたがって評価を行い,高品質で忠実であることを示す。
論文参考訳（メタデータ） (2023-12-04T18:55:35Z)
ControlStyle: Text-Driven Stylized Image Generation Using Diffusion Priors [105.37795139586075]
そこで本研究では,テキスト駆動型スタイリング画像生成という,テキスト・イメージ・モデルをスタイリングするための新しいタスクを提案する。トレーニング可能な変調ネットワークで事前訓練されたテキスト・ツー・イメージモデルをアップグレードすることで,新しい拡散モデル(ControlStyle)を提案する。実験では、より視覚的で芸術的な結果を生み出すためのコントロールスタイルの有効性が示されています。
論文参考訳（メタデータ） (2023-11-09T15:50:52Z)
StyleDrop: Text-to-Image Generation in Any Style [43.42391701778596]
StyleDropは、テキスト・ツー・イメージ・モデルを用いて特定のスタイルを忠実に追従する画像の合成を可能にする方法である。トレーニング可能なパラメータをごくわずかに微調整し、反復的なトレーニングを通じて品質を改善することで、新しいスタイルを効率的に学習する。広範な研究により、スタイルチューニングの作業において、StyleDropはMuseに実装され、他の手法よりも確実に優れていることが示されている。
論文参考訳（メタデータ） (2023-06-01T17:59:51Z)
Any-to-Any Style Transfer: Making Picasso and Da Vinci Collaborate [58.83278629019384]
スタイル転送は、コンテンツ参照のために、ある画像のスタイルを他の画像へのスタイル参照にレンダリングすることを目的としている。既存のアプローチでは、スタイルイメージの全体的スタイルをグローバルな方法で適用するか、あるいは、スタイルイメージのローカル色とテクスチャを、事前に定義された方法でコンテンツに移行するかのいずれかである。本稿では,Any-to-Any Style Transferを提案する。Any-to-Any Style Transferは,スタイル画像中の領域のスタイルを対話的に選択し,所定のコンテンツ領域に適用することができる。
論文参考訳（メタデータ） (2023-04-19T15:15:36Z)
StylerDALLE: Language-Guided Style Transfer Using a Vector-Quantized Tokenizer of a Large-Scale Generative Model [64.26721402514957]
本論文では,自然言語を用いて抽象芸術スタイルを記述するスタイル転送手法であるStylerDALLEを提案する。具体的には、非自己回帰的なトークンシーケンス変換として、言語誘導型転送タスクを定式化する。スタイル情報を組み込むために,CLIPに基づく言語指導による強化学習戦略を提案する。
論文参考訳（メタデータ） (2023-03-16T12:44:44Z)
DiffStyler: Controllable Dual Diffusion for Text-Driven Image Stylization [66.42741426640633]
DiffStylerは、拡散された結果の内容とスタイルのバランスを制御するための二重拡散処理アーキテクチャである。本稿では、逆復調処理をベースとしたコンテンツ画像に基づく学習可能なノイズを提案し、そのスタイリング結果により、コンテンツ画像の構造情報をよりよく保存する。
論文参考訳（メタデータ） (2022-11-19T12:30:44Z)
Arbitrary Style Guidance for Enhanced Diffusion-Based Text-to-Image Generation [13.894251782142584]
GLIDE や DALLE-2 のような拡散ベースのテキスト・画像生成モデルは近年広く成功している。本稿では,参照画像でガイドされた任意のスタイルを用いた画像生成を支援する新しいスタイルガイダンス手法を提案する。
論文参考訳（メタデータ） (2022-11-14T20:52:57Z)
CLIPstyler: Image Style Transfer with a Single Text Condition [34.24876359759408]
既存のニューラルスタイル転送法では、スタイル画像のテクスチャ情報をコンテンツ画像に転送するために参照スタイル画像が必要である。そこで本稿では,スタイルイメージを必要とせず,所望のスタイルをテキストで記述した上でのみ,スタイル転送を可能にする新しいフレームワークを提案する。
論文参考訳（メタデータ） (2021-12-01T09:48:53Z)
Learning to Generate Multiple Style Transfer Outputs for an Input Sentence [93.32432042381572]
入力テキストに対して異なるスタイル転送結果を生成する1対多のテキストスタイル転送フレームワークを提案する。入力文の潜在表現を、言語スタイルのバリエーションをキャプチャするスタイルコードに分解する。同じコンテンツコードと異なるスタイルコードを組み合わせることで、異なるスタイル転送出力を生成する。
論文参考訳（メタデータ） (2020-02-16T07:10:45Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。