論文の概要: AnyStyle: A Single LoRA is Sufficient for Image-Guided Style Transfer

• arxiv url: http://arxiv.org/abs/2607.04677v1
• Date: Mon, 06 Jul 2026 05:06:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-07 22:26:30.045615
• Title: AnyStyle: A Single LoRA is Sufficient for Image-Guided Style Transfer
• Title（参考訳）: AnyStyle:シングルLoRAは画像入力スタイル転送に十分
• Abstract要約: 画像誘導型転送のための合理化フレームワークであるAnyStyleを提案する。 このフレームワークは、スタイルイメージからのコヒーレントなスタイルキャプチャのための統一された単一アダプタパラダイムを採用している。 提案手法は,競争力のある定量的性能と知覚品質を著しく向上させる。
• 参考スコア（独自算出の注目度）: 2.574354224873255
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Image-guided style transfer aims to apply the artistic characteristics of a style image to a content image while preserving its semantic structure and layout. Despite advances in diffusion-based methods, existing approaches often face challenges in disentangling content and style, particularly when independently optimized adapters are naively combined, causing conflicts between adapters and limiting controllability over the content-style balance in inference. We further demonstrate that training-free structural guidance directly derived from the content image through the internal attention of pre-trained model outperforms a dedicated content LoRA adapter in terms of structural fidelity and computational efficiency. Building on these observations, we propose AnyStyle, a streamlined framework for image-guided style transfer. The framework adopts a unified single-adapter paradigm for coherent style capture from the style image and incorporates training-free structural guidance from the content image, thus avoiding complex entanglement between multiple adapters and improving controllability and stability. Extensive experiments show that our method delivers competitive quantitative performance and significantly improved perceptual quality. Code is available at https://github.com/Yvan1001/AnyStyle.
• Abstract（参考訳）: 画像誘導型スタイル転送は、その意味構造とレイアウトを保ちながら、スタイル画像の芸術的特徴をコンテンツ画像に適用することを目的としている。 拡散ベースの手法の進歩にもかかわらず、既存のアプローチはコンテンツとスタイルを混同する問題に直面することが多く、特に独立的に最適化されたアダプタが鼻で組み合わせられた場合、アダプタ間の衝突を引き起こし、推論におけるコンテンツスタイルのバランスに対する制御性を制限する。 さらに、事前学習されたモデルの内部の注意を通して、コンテンツ画像から直接導出される学習不要な構造ガイダンスが、構造的忠実度と計算効率の観点から、専用コンテンツLoRAアダプタより優れていることを実証する。 これらの観測に基づいて、画像誘導型転送のための合理化フレームワークであるAnyStyleを提案する。 このフレームワークは、スタイルイメージからのコヒーレントなスタイルキャプチャのための統一された単一アダプタパラダイムを採用し、コンテンツイメージからのトレーニング不要な構造ガイダンスを導入し、複数のアダプタ間の複雑な絡み合いを回避し、制御性と安定性を向上させる。 広汎な実験により,本手法は競争力のある定量的性能を実現し,知覚品質を著しく向上させることが示された。 コードはhttps://github.com/Yvan1001/AnyStyleで入手できる。

関連論文リスト

• Inversion-Free Style Transfer with Dual Rectified Flows [57.02757226679549]
  本稿では,2つの修正フローに基づく新しいテキスト変換自由なスタイル転送フレームワークを提案する。 提案手法は,コンテントとスタイルのトラジェクトリを並列に予測し,動的中間点を通して融合する。 様々なスタイルやコンテンツにまたがる一般化を実証し、効果的かつ効率的なスタイル転送パイプラインを提供する。
  論文  参考訳（メタデータ） (2025-11-26T02:28:51Z)
• Neural Scene Designer: Self-Styled Semantic Image Manipulation [67.43125248646653]
  我々は,ユーザが指定したシーン領域のリアルな写真操作を可能にする新しいフレームワークであるNeural Scene Designer (NSD)を紹介した。 NSDは、ユーザ意図とのセマンティックアライメントと、周辺環境とのスタイリスティックな整合性の両方を保証する。 細かなスタイル表現を捉えるために,プログレッシブ・セルフスタイル表現学習(PSRL)モジュールを提案する。
  論文  参考訳（メタデータ） (2025-09-01T11:59:03Z)
• Only-Style: Stylistic Consistency in Image Generation without Content Leakage [21.68241134664501]
  Only-Styleは、スタイリスティックな一貫性を維持しつつ、セマンティックなコヒーレントな方法でコンテンツの漏洩を軽減するために設計された方法である。 Only-Styleは、推論中にコンテンツのリークをローカライズすることで、スタイルアライメントプロセスを制御するパラメータの適応的なチューニングを可能にする。 提案手法は,多種多様なインスタンスにまたがる広範囲な評価により,最先端の手法よりも大幅に改善されたことを示す。
  論文  参考訳（メタデータ） (2025-06-11T16:33:09Z)
• ZePo: Zero-Shot Portrait Stylization with Faster Sampling [61.14140480095604]
  本稿では,4つのサンプリングステップでコンテンツとスタイルの融合を実現する拡散モデルに基づく,インバージョンフリーなポートレートスタイリングフレームワークを提案する。 本稿では,一貫性機能における冗長な特徴をマージする機能統合戦略を提案し,注意制御の計算負荷を低減させる。
  論文  参考訳（メタデータ） (2024-08-10T08:53:41Z)
• RB-Modulation: Training-Free Personalization of Diffusion Models using Stochastic Optimal Control [43.96257216397601]
  拡散モデルの学習自由なパーソナライズのための新しいプラグアンドプレイソリューションを提案する。 RB-Modulationは、スタイル記述子が所望の属性をエンコードする新しい最適コントローラ上に構築されている。 クロスアテンションに基づく特徴集約方式により、RB変調は参照画像から内容とスタイルを分離することができる。
  論文  参考訳（メタデータ） (2024-05-27T17:51:08Z)
• ArtWeaver: Advanced Dynamic Style Integration via Diffusion Model [73.95608242322949]
  Stylized Text-to-Image Generation (STIG)は、テキストプロンプトとスタイル参照画像から画像を生成することを目的としている。 我々は、事前訓練された安定拡散を利用して、誤解釈スタイルや一貫性のない意味論といった課題に対処する新しいフレームワーク、ArtWeaverを提案する。
  論文  参考訳（メタデータ） (2024-05-24T07:19:40Z)
• Rethink Arbitrary Style Transfer with Transformer and Contrastive Learning [11.900404048019594]
  本稿では,スタイリング画像の品質向上のための革新的手法を提案する。 まず、コンテンツとスタイルの特徴の整合性を改善する手法であるスタイル一貫性インスタンス正規化(SCIN)を提案する。 さらに,様々なスタイル間の関係を理解するために,インスタンスベースのコントラスト学習(ICL)アプローチを開発した。
  論文  参考訳（メタデータ） (2024-04-21T08:52:22Z)
• Tuning-Free Adaptive Style Incorporation for Structure-Consistent Text-Driven Style Transfer [35.565157182236014]
  テキスト駆動型スタイル転送タスク,すなわちAdaptive Style Incorporation(ASI)に対する新しいソリューションを提案する。 Siamese Cross-(SiCA)は、シングルトラックのクロスアテンションをデュアルトラック構造に分離し、コンテンツとスタイルの特徴を分離し、Adaptive Content-Style Blending (AdaBlending)モジュールは、コンテンツとスタイル情報を構造一貫性のある方法で結合する。 実験により, 構造保存とスタイリング効果の両面において, 優れた性能を示した。
  論文  参考訳（メタデータ） (2024-04-10T08:54:00Z)
• StyleAdapter: A Unified Stylized Image Generation Model [97.24936247688824]
  StyleAdapterは、様々なスタイリング画像を生成することができる統一型スタイリング画像生成モデルである。 T2I-adapter や ControlNet のような既存の制御可能な合成手法と統合することができる。
  論文  参考訳（メタデータ） (2023-09-04T19:16:46Z)
• A Unified Arbitrary Style Transfer Framework via Adaptive Contrastive Learning [84.8813842101747]
  Unified Contrastive Arbitrary Style Transfer (UCAST)は、新しいスタイルの学習・伝達フレームワークである。 入力依存温度を導入することで,スタイル伝達のための適応型コントラスト学習方式を提案する。 本フレームワークは,スタイル表現とスタイル伝達のための並列コントラスト学習方式,スタイル分布を効果的に学習するためのドメイン拡張モジュール,スタイル伝達のための生成ネットワークという,3つの重要なコンポーネントから構成される。
  論文  参考訳（メタデータ） (2023-03-09T04:35:00Z)

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。