論文の概要: StyleComposer: Training-Free Multi-Reference Style Composition

• arxiv url: http://arxiv.org/abs/2608.05213v1
• Date: Wed, 05 Aug 2026 09:17:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-07 15:25:20.748043
• Title: StyleComposer: Training-Free Multi-Reference Style Composition
• Title（参考訳）: StyleComposer: トレーニング不要なマルチ参照スタイル構成
• Abstract要約: 絵画のスタイルはモノリシックではなく、色、テクスチャ、構造は異なるソースから来ている可能性がある。 既存の参照誘導方式は、それらを1つのスタイルの信号として転送し、各属性のソースと強度をユーザのコントロール外に置く。 拡散モデルでは、一方の属性はどこで変化し、他方は保持され、一方の表現が3つ全てを分離しない。 提案されたStyleComposerは、各スタイル属性を最良を区別する表現にルーティングし、遅延時間でルートをコーディネートする。
• 参考スコア（独自算出の注目度）: 12.210350828913759
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The style of a painting is not monolithic: color, texture, and structure may come from different sources. Existing reference-guided methods transfer them as one style signal, leaving each attribute's source and strength outside the user's control. We ask where in a diffusion model one attribute can change while the others hold, and find that no single representation isolates all three. The proposed StyleComposer therefore routes each style attribute through the representation where it separates best and coordinates the routes over denoising time. Without training or inversion, it satisfies three references and the prompt jointly more closely than prior methods, and exposes one strength slider per attribute. Project page: https://lexxsh.github.io/StyleComposer
• Abstract（参考訳）: 絵画のスタイルはモノリシックではなく、色、テクスチャ、構造は異なるソースから来ている可能性がある。 既存の参照誘導方式は、それらを1つのスタイルの信号として転送し、各属性のソースと強度をユーザのコントロール外に置く。 拡散モデルでは、一方の属性はどこで変化し、他方は保持され、一方の表現が3つ全てを分離しない。 提案されたStyleComposerは、各スタイル属性を最良を区別する表現にルーティングし、遅延時間でルートをコーディネートする。 トレーニングや逆転なしでは、以前の方法よりも3つの参照とプロンプトがより緊密に満たされ、属性ごとに1つの強度スライダが露出する。 プロジェクトページ: https://lexxsh.github.io/StyleComposer

関連論文リスト

• ReStyle3D: Scene-Level Appearance Transfer with Semantic Correspondences [33.06053818091165]
  ReStyle3Dは、シーンレベルの外観を1つのスタイルのイメージから、複数のビューで表現された現実世界のシーンに転送するためのフレームワークである。 明示的な意味対応と多視点整合性を組み合わせることで、正確で一貫性のあるスタイリングを実現する。 私たちのコード、事前訓練されたモデル、データセットは、インテリアデザイン、仮想ステージング、そして3D一貫性のあるスタイリングにおける新しいアプリケーションをサポートするために、公開されます。
  論文  参考訳（メタデータ） (2025-02-14T18:54:21Z)
• StyleDistance: Stronger Content-Independent Style Embeddings with Synthetic Parallel Examples [48.44036251656947]
  スタイル表現は、内容に関係なく、類似した書体スタイルのテキストを密に埋め込み、異なる書体スタイルのテキストを遠くに埋め込むことを目的としている。 より強力なコンテンツに依存しないスタイル埋め込みをトレーニングするための新しいアプローチであるStyleDistanceを紹介する。
  論文  参考訳（メタデータ） (2024-10-16T17:25:25Z)
• DEADiff: An Efficient Stylization Diffusion Model with Disentangled Representations [64.43387739794531]
  現在のエンコーダベースのアプローチは、スタイルの転送中にテキスト・ツー・イメージモデルのテキスト制御性を著しく損なう。 この問題に対処するために、以下の2つの戦略を用いてDEADiffを紹介します。 DeAiffは、テキスト・ツー・イメージモデルに固有のテキスト制御性と、参照画像とスタイルの類似性との間の最適な視覚的スタイリング結果と最適なバランスを得る。
  論文  参考訳（メタデータ） (2024-03-11T17:35:23Z)
• 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)
• 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)
• Few-shot Font Generation by Learning Style Difference and Similarity [84.76381937516356]
  異なるスタイルの違いと同一スタイルの類似性(DS-Font)を学習する新しいフォント生成手法を提案する。 具体的には,提案するクラスタレベルコントラシブ・スタイル(CCS)の損失により,スタイルエンコーディングを実現する多層型プロジェクタを提案する。
  論文  参考訳（メタデータ） (2023-01-24T13:57:25Z)
• MultiStyleGAN: Multiple One-shot Image Stylizations using a Single GAN [14.373091259972666]
  一般的なシナリオはワンショットスタイリングであり、参照スタイルごとに1つの例しか使用できない。 JoJoGANファインチューンのようなワンショットスタイリングのための最近のアプローチは、単一のスタイル参照画像上に事前訓練されたStyleGAN2ジェネレータである。 単一発電機を微調整することで,複数のスタイルを同時に生成できるMultiStyleGAN法を提案する。
  論文  参考訳（メタデータ） (2022-10-08T23:05:29Z)
• Domain Enhanced Arbitrary Image Style Transfer via Contrastive Learning [84.8813842101747]
  Contrastive Arbitrary Style Transfer (CAST) は、新しいスタイル表現学習法である。 本フレームワークは,スタイルコード符号化のための多層スタイルプロジェクタ,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,画像スタイル転送のための生成ネットワークという,3つのキーコンポーネントから構成される。
  論文  参考訳（メタデータ） (2022-05-19T13:11:24Z)
• Unified Implicit Neural Stylization [80.59831861186227]
  この研究は、スタイル化された暗黙の表現のトレーニングという、新しい興味深い方向性を探求する。 本研究では,2次元座標に基づく表現,ニューラルラディアンス場,符号付き距離関数など,様々な暗黙関数に関するパイロット研究を行う。 我々のソリューションは、INSと呼ばれる統一暗黙的ニューラルスティル化フレームワークです。
  論文  参考訳（メタデータ） (2022-04-05T02:37:39Z)
• DyStyle: Dynamic Neural Network for Multi-Attribute-Conditioned Style Editing [12.80013698957431]
  属性条件付きスタイル編集を行うために動的スタイル操作ネットワーク(DyStyle)を提案する。 DyStyleネットワークの効率的かつ安定したトレーニングのために、新しい容易かつハードなトレーニング手順が導入された。 提案手法では,複数の数値属性とバイナリ属性に沿って細粒度な不整合編集を行う。
  論文  参考訳（メタデータ） (2021-09-22T13:50:51Z)

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。