論文の概要: Staying True to the Origin: Continuous Image Stylization with Smooth Transitions
- arxiv url: http://arxiv.org/abs/2608.08125v1
- Date: Sat, 08 Aug 2026 13:17:51 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-11 19:16:36.687298
- Title: Staying True to the Origin: Continuous Image Stylization with Smooth Transitions
- Title（参考訳）: 原点に忠実に滞在する:滑らかな遷移を伴う連続画像スティル化
- Abstract要約: 本稿では,連続制御の観点から,画像のスタイリングにアプローチする。
提案手法は,最新のDiTモデルを用いて高忠実度結果を生成しながら,スタイリゼーション強度の高精度かつ連続的な操作を支援する。
- 参考スコア（独自算出の注目度）: 29.045705826800557
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Recent advances in generative models have achieved remarkable performance in text- and image-conditioned editing. However, preserving the content of a given image while referencing style patterns from another remains challenging, often leading to uncontrollable stylization results. In this paper, we approach image stylization from the perspective of continuous control, aiming to enable modern Diffusion Transformer (DiT)-based multi-reference editing models to (1) faithfully preserve the semantic structure of the content image, (2) render strong stylization effects, and (3) smoothly transition between the two. To this end, we propose a simple yet effective two-stage training strategy along with a style-strength-aware spline formulation. Specifically, in the first stage, the model is trained to produce strongly stylized outputs while preserving the content semantics as much as possible. In the second stage, with the base model frozen, we learn a set of anchor projectors that map various stylization strengths into the model parameter space. During inference, by performing style-strength-aware spline interpolation in a low-rank space, our method enables continuous control over stylization strength, even though the model is trained with only a few discrete strength levels. Extensive experiments demonstrate that our method supports precise and continuous manipulation of stylization strength while generating high-fidelity results with modern DiT models. Project page: https://reychiaro.github.io/StyleController.
- Abstract（参考訳）: 生成モデルの最近の進歩は、テキストおよび画像条件の編集において顕著なパフォーマンスを達成している。
しかし、ある画像の内容を他の画像からスタイルパターンを参照しながら保存することは依然として困難であり、しばしば制御不能なスタイル化結果をもたらす。
本稿では,コンテンツイメージのセマンティック構造を忠実に保存し,(2)強いスタイリゼーション効果を付与し,(3)2つの間のスムーズな遷移を円滑に行うための,最新の拡散変換器(DiT)ベースのマルチ参照編集モデルを実現することを目的として,連続制御の観点から画像スタイリゼーションにアプローチする。
そこで本研究では, 簡易かつ効果的な2段階トレーニング戦略と, スタイル強度を考慮したスプラインの定式化を提案する。
特に第1段階では、モデルは可能な限りコンテンツセマンティクスを保ちながら、強くスタイル化された出力を生成するように訓練される。
第2段階では、ベースモデルが凍結された状態で、様々なスタイル化強度をモデルパラメータ空間にマッピングするアンカープロジェクタのセットを学習する。
提案手法は,低ランク空間におけるスタイル強度を意識したスプライン補間を行うことで,モデルが少数の離散強度レベルでのみ訓練されたとしても,スタイライズ強度を連続的に制御できる。
提案手法は, 最新のDiTモデルを用いて高忠実度結果を生成しながら, スタイライズ強度の高精度かつ連続的な操作を支援することを実証した。
プロジェクトページ: https://reychiaro.github.io/StyleController。
関連論文リスト
- LatRef-Diff: Latent and Reference-Guided Diffusion for Facial Attribute Editing and Style Manipulation [78.6161238980415]
条件付きGANは進歩しているものの、精度の問題やトレーニング不安定性によって制限されている。
これらの制約に対処する新しい拡散ベースのフレームワークであるLatRef-Diffを提案する。
本稿では,LatRef-Diffが定性評価と定量的評価の両方において最先端の性能を達成することを示す。
論文 参考訳（メタデータ） (2026-04-23T04:47:40Z) - Tune-Your-Style: Intensity-tunable 3D Style Transfer with Gaussian Splatting [17.866620983045625]
3Dスタイル転送は、参照スタイル画像に基づく3Dアセットの芸術的なスタイル化を指す。
そこで我々は,textbfTune-Your-Styleと呼ばれる,創造性のある3Dスタイル転送パラダイムを導入し,ユーザがシーンに注入されるスタイルの強度を柔軟に調整できるようにする。
提案手法は,視覚的に魅力的な結果を提供するだけでなく,3Dスタイルの転送に対して柔軟なカスタマイズ性を示す。
論文 参考訳（メタデータ） (2026-01-31T09:17:26Z) - 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) - Break Stylistic Sophon: Are We Really Meant to Confine the Imagination in Style Transfer? [12.2238770989173]
StyleWallfacerは、統一的なトレーニングと推論フレームワークである。
従来の方法のスタイル転送プロセスで発生する様々な問題に対処する。
アーティストレベルのスタイル転送とテキスト駆動のスタイル化を提供する。
論文 参考訳（メタデータ） (2025-06-18T00:24:29Z) - A Training-Free Style-aligned Image Generation with Scale-wise Autoregressive Model [11.426771898890998]
本稿では,スケールワイド自己回帰モデルを利用した学習自由なスタイル整列画像生成手法を提案する。
提案手法は競合するアプローチに匹敵する品質を示し,スタイルアライメントを大幅に改善し,高速モデルよりも6倍高速な推論速度を実現する。
論文 参考訳（メタデータ） (2025-04-08T15:39:25Z) - Stable Flow: Vital Layers for Training-Free Image Editing [74.52248787189302]
拡散モデルはコンテンツ合成と編集の分野に革命をもたらした。
最近のモデルでは、従来のUNetアーキテクチャをDiffusion Transformer (DiT)に置き換えている。
画像形成に欠かせないDiT内の「硝子層」を自動同定する手法を提案する。
次に、実画像編集を可能にするために、フローモデルのための改良された画像反転手法を提案する。
論文 参考訳（メタデータ） (2024-11-21T18:59:51Z) - 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) - 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) - InstantStyle: Free Lunch towards Style-Preserving in Text-to-Image Generation [5.364489068722223]
スタイルの概念は本質的に過小評価されており、色、材料、雰囲気、デザイン、構造といった様々な要素を含んでいる。
インバージョンベースの手法はスタイルの劣化を招きやすいため、細かな細部が失われることが多い。
アダプタベースのアプローチでは、スタイル強度とテキストの制御性のバランスをとるために、参照画像ごとに微妙な重み調整が必要となることが多い。
論文 参考訳（メタデータ） (2024-04-03T13:34:09Z) - Direct Consistency Optimization for Robust Customization of Text-to-Image Diffusion Models [67.68871360210208]
テキスト・ツー・イメージ(T2I)拡散モデルは、いくつかの個人画像に微調整された場合、高い一貫性で視覚を生成することができる。
本稿では,微調整モデルと事前学習モデルとの偏差を制御し,直接整合性最適化(Direct Consistency Optimization)と呼ばれる新たな微調整対象を提案する。
提案手法は, 通常の微調整モデルとのマージに最適化したモデルよりも, 高速な忠実度と主観的忠実度が得られることを示す。
論文 参考訳（メタデータ） (2024-02-19T09:52:41Z) - 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)
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。