論文の概要: HyperStyler: Low-resource Authorship Style Transfer via Context-aware Style Navigation and Hypernetworks

• arxiv url: http://arxiv.org/abs/2609.02772v1
• Date: Wed, 02 Sep 2026 16:07:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-03 17:53:18.463305
• Title: HyperStyler: Low-resource Authorship Style Transfer via Context-aware Style Navigation and Hypernetworks
• Title（参考訳）: HyperStyler: コンテキスト認識スタイルナビゲーションとHypernetworksによる低リソースオーサリングスタイル転送
• Abstract要約: 低リソースのオーサリングスタイル転送は、いくつかの参照例を使ってテキストを任意のターゲットのオーサリングのスタイルに書き換えることを目的としている。 我々は,LASTをスタイル選択とスタイル実現に分離する新しいアーキテクチャであるHyperStylerを提案する。 Reddit、Blog、Newsデータセットに関する我々の実験は、HyperStylerが従来手法より一貫して優れていることを示している。
• 参考スコア（独自算出の注目度）: 15.040443025080057
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Low-resource authorship style transfer (LAST) aims to rewrite text into the style of an arbitrary target author using only a few reference examples while preserving the original meaning. Existing methods often struggle to achieve both high style fidelity and semantic preservation because they compress diverse references into a single static author embedding, which averages out context-dependent stylistic variation, and rely on hidden representations for style control, which entangle style with content. We propose HyperStyler, a novel architecture that decouples LAST into style selection and style realization. Stylo-navigator predicts style coordinates by jointly modeling the source context and target-author references, and Stylo-hypernet realizes them via dynamic parameter modulation instead of hidden-state injection. Our experiments on Reddit, Blog, and News datasets demonstrate that HyperStyler consistently outperforms prior methods including LLM-based approaches and generalizes robustly across domains. Notably, HyperStyler achieves superior performance with as few as 2.4% additional parameters over T5-large, while being over 1.8x faster than LLMs at inference.
• Abstract（参考訳）: 低リソースのオーサリングスタイル転送(LAST)は、オリジナルの意味を保ちながら、少数の参照例のみを使用してテキストを任意のターゲットオーサリングのスタイルに書き換えることを目的としている。 既存の手法は、多種多様な参照を単一の静的な作者埋め込みに圧縮し、コンテキスト依存のスタイル変化を平均化し、スタイル制御の隠れ表現に依存するため、高いスタイルの忠実さとセマンティックな保存の両方を達成するのに苦労することが多い。 我々は,LASTをスタイル選択とスタイル実現に分離する新しいアーキテクチャであるHyperStylerを提案する。 Stylo-navigatorは、ソースコンテキストとターゲット-著者参照を併用してスタイル座標を予測し、Stylo-hypernetは隠れ状態注入の代わりに動的パラメータ変調によってそれらを実現する。 Reddit、Blog、Newsデータセットに関する我々の実験は、HyperStylerがLLMベースのアプローチを含む先行手法を一貫して上回り、ドメイン間で堅牢に一般化していることを示している。 特にHyperStylerは、LLMよりも1.8倍高速で、T5よりも2.4%のパラメータを追加して優れた性能を実現している。

関連論文リスト

• Stylized Text-to-Motion Generation via Hypernetwork-Driven Low-Rank Adaptation [15.45127792716575]
  テキスト駆動の運動拡散モデルは現実的な人間の動きを生成できるが、テキストだけではスタイルとして知られる動きの微妙なニュアンスを表現するのに苦労することが多い。 近年のアプローチでは、事前訓練されたテキスト駆動拡散モデルにスタイル注入機構を付加することでこの問題に対処している。 本稿では,ハイパーネットワークで生成されたLoRAパラメータを用いて,事前学習した拡散モデルを動的に変調する軽量なスタイル条件付けフレームワークを提案する。 HumanML3Dと100STYLEデータセットの実験は、最先端のスタイル化結果を示しながら、目に見えないスタイルのスタイル化の改善を実現している。
  論文  参考訳（メタデータ） (2026-05-13T10:51:54Z)
• Mixture of Style Experts for Diverse Image Stylization [73.7600741657193]
  StyleExpertは、Mixture of Experts (MoE)をベースにしたセマンティックアウェアフレームワークである 我々のフレームワークは、コンテンツスタイルのスタイリング三重項の大規模データセットに基づいて訓練された統一型スタイルエンコーダを使用している。 本手法は, 浅いテクスチャから深いセマンティクスまで, 複数のセマンティクスレベルにまたがる多様なスタイルを扱う。
  論文  参考訳（メタデータ） (2026-03-17T15:20:19Z)
• DRESSing Up LLM: Efficient Stylized Question-Answering via Style Subspace Editing [23.467409274256255]
  DRESSは、表現編集によってスタイル化された大言語モデル(LLM)応答を生成する新しいアプローチである。 提案手法は,モデル表現空間内のスタイル関連部分空間をアンタングルして表現編集を行う。 簡単に言うと、DRESSは柔軟で効果的なスタイル制御を備えたLLMの拡張のための軽量で、列車無しのソリューションである。
  論文  参考訳（メタデータ） (2025-01-24T10:04:53Z)
• TinyStyler: Efficient Few-Shot Text Style Transfer with Authorship Embeddings [51.30454130214374]
  本稿では,TinyStylerについて紹介する。 我々は、TinyStylerのテキスト属性スタイル転送機能について、自動評価と人的評価で評価する。 私たちのモデルはhttps://huggingface.co/tinystyler/tinystyler.comで公開されています。
  論文  参考訳（メタデータ） (2024-06-21T18:41:22Z)
• 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)
• DPStyler: Dynamic PromptStyler for Source-Free Domain Generalization [43.67213274161226]
  Source-Free Domain Generalization (SFDG) は、ソースドメインに頼ることなく、未確認のターゲットドメインに対して機能するモデルを開発することを目的としている。 SFDGにおける研究は、主に大規模視覚言語モデルの既存の知識に大きく依存している。 本稿では,動的PromptStyler(DPStyler)について紹介する。
  論文  参考訳（メタデータ） (2024-03-25T12:31:01Z)
• 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)
• ParaGuide: Guided Diffusion Paraphrasers for Plug-and-Play Textual Style Transfer [57.6482608202409]
  テキストスタイル転送は、意味を保ちながらテキストのスタイル特性を変換するタスクである。 任意のスタイルに柔軟に適応できる汎用型転送のための新しい拡散型フレームワークを提案する。 本研究では,人的評価と自動評価の両面から,Enron Email Corpusの手法を検証するとともに,形式性,感情,さらにはオーサシップスタイルの伝達にも優れることを示す。
  論文  参考訳（メタデータ） (2023-08-29T17:36:02Z)
• StyleAdv: Meta Style Adversarial Training for Cross-Domain Few-Shot Learning [89.86971464234533]
  Cross-Domain Few-Shot Learning (CD-FSL)は、最近登場したタスクで、異なるドメインにわたる数ショットの学習に対処している。 本稿では,モデルに依存しないメタスタイル逆アタック(StyleAdv)手法と,新しいスタイル逆アタック手法を提案する。 本手法は視覚的スタイルに対して徐々に頑健であり,新たなターゲットデータセットの一般化能力を高める。
  論文  参考訳（メタデータ） (2023-02-18T11:54:37Z)

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。