論文の概要: Personalized Image Filter: Mastering Your Photographic Style
- arxiv url: http://arxiv.org/abs/2510.16791v1
- Date: Sun, 19 Oct 2025 11:03:21 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-10-25 00:56:39.148309
- Title: Personalized Image Filter: Mastering Your Photographic Style
- Title（参考訳）: パーソナライズされた画像フィルター:写真スタイルをマスターする
- Authors: Chengxuan Zhu, Shuchen Weng, Jiacong Fang, Peixuan Zhang, Si Li, Chao Xu, Boxin Shi,
- Abstract要約: 生成先行により、PIFは写真の概念の平均的な外観を学ぶことができる。
PIFは、様々な種類の写真スタイルを抽出し、転送する際、優れた性能を示す。
- 参考スコア（独自算出の注目度）: 57.83973633106558
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Photographic style, as a composition of certain photographic concepts, is the charm behind renowned photographers. But learning and transferring photographic style need a profound understanding of how the photo is edited from the unknown original appearance. Previous works either fail to learn meaningful photographic concepts from reference images, or cannot preserve the content of the content image. To tackle these issues, we proposed a Personalized Image Filter (PIF). Based on a pretrained text-to-image diffusion model, the generative prior enables PIF to learn the average appearance of photographic concepts, as well as how to adjust them according to text prompts. PIF then learns the photographic style of reference images with the textual inversion technique, by optimizing the prompts for the photographic concepts. PIF shows outstanding performance in extracting and transferring various kinds of photographic style. Project page: https://pif.pages.dev/
- Abstract（参考訳）: 写真スタイルは、特定の写真コンセプトの合成であり、著名な写真家の魅力である。
しかし、写真スタイルの学習と転送は、その写真が未知のオリジナルの外観からどのように編集されるのかを深く理解する必要がある。
以前の作品では、参照画像から意味のある写真概念を学ばなかったり、コンテンツ画像の内容を保存することができなかったりした。
これらの課題に対処するため,Personalized Image Filter (PIF)を提案する。
事前訓練されたテキスト・ツー・イメージ拡散モデルに基づいて、生成前は、PIFが写真コンセプトの平均的な外観を学習し、テキスト・プロンプトに応じてそれらを調整する方法を学習することを可能にする。
PIFは、写真コンセプトのプロンプトを最適化することにより、テキスト反転技術を用いて参照画像の撮影スタイルを学習する。
PIFは、様々な種類の写真スタイルを抽出し、転送する際、優れた性能を示す。
プロジェクトページ: https://pif.pages.dev/
関連論文リスト
- PhotoDoodle: Learning Artistic Image Editing from Few-Shot Pairwise Data [24.08203111413198]
挿入された要素が背景とシームレスに統合されなければならないため、写真のドーピングは難しい。
提案手法であるPhotoDoodleでは,2段階のトレーニング戦略を採用している。
生成した結果の整合性を高めるために,位置符号化再利用機構を導入する。
論文 参考訳（メタデータ） (2025-02-20T09:35:38Z) - Decoupled Textual Embeddings for Customized Image Generation [62.98933630971543]
カスタマイズされたテキスト・ツー・イメージ生成は、ユーザが指定した概念を少数の画像で学習することを目的としている。
既存の方法は、通常、過剰な問題に悩まされ、学習された概念と対象と無関係な情報を絡み合わせる。
フレキシブルなテキスト・ツー・イメージ生成のための不整合概念の埋め込みを学習する新しいアプローチであるDETEXを提案する。
論文 参考訳（メタデータ） (2023-12-19T03:32:10Z) - Photoswap: Personalized Subject Swapping in Images [56.2650908740358]
Photowapは参照画像から対象の視覚概念を学習し、事前訓練された拡散モデルを用いて対象画像に置き換える。
Photowapは、被験者のスワップ、背景保存、全体的な品質において、人間の評価におけるベースラインの手法を著しく上回っている。
論文 参考訳（メタデータ） (2023-05-29T17:56:13Z) - Zero-shot Image-to-Image Translation [57.46189236379433]
手動のプロンプトを使わずに元の画像を保存できる画像から画像への変換法であるpix2pix-zeroを提案する。
本稿では,拡散過程全体を通して入力画像の相互注意マップを維持することを目的とした,相互注意誘導を提案する。
本手法では,これらの編集のための追加のトレーニングを必要とせず,既存のテキスト・画像拡散モデルを直接使用することができる。
論文 参考訳（メタデータ） (2023-02-06T18:59:51Z) - Aesthetic Language Guidance Generation of Images Using Attribute
Comparison [68.01313297926109]
インテリジェントな機器やアルゴリズムの改善は、人間の主観的写真技術を置き換えることはできない。
ALG-TとALG-Iに画像の美的言語指導を分割した。
ALG-TとALG-Iは2種類の入力画像に対してそれぞれ美的言語指導を行う。
論文 参考訳（メタデータ） (2022-08-09T12:35:23Z) - Filter Style Transfer between Photos [11.796188165729342]
フィルタスタイル転送(FST)は、モバイル端末上の2ms以下のFHD画像間のカスタムフィルタ効果を、テキストによるコンテキストロスなしで転送できる、最初のスタイル転送方式である。
論文 参考訳（メタデータ） (2020-07-15T18:09:35Z) - Towards Photo-Realistic Virtual Try-On by Adaptively
Generating$\leftrightarrow$Preserving Image Content [85.24260811659094]
本稿では,適応コンテンツ生成・保存ネットワーク(ACGPN)という新しいビジュアル・トライオン・ネットワークを提案する。
ACGPNはまず、試行錯誤後に変更される参照画像のセマンティックレイアウトを予測する。
第二に、服のワープモジュールは、生成されたセマンティックレイアウトに従って衣服の画像をワープする。
第3に、コンテンツ融合のための塗装モジュールは、すべての情報(例えば、参照画像、セマンティックレイアウト、歪んだ衣服)を統合して、人間の身体の各意味部分を適応的に生成する。
論文 参考訳（メタデータ） (2020-03-12T15:55:39Z)
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。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。