論文の概要: SafeStyle: Calibrated Style Residual Injection for Controllable Style-Leakage Trade-off in Diffusion Stylization

• arxiv url: http://arxiv.org/abs/2609.21242v1
• Date: Fri, 18 Sep 2026 02:34:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-21 18:40:16.835011
• Title: SafeStyle: Calibrated Style Residual Injection for Controllable Style-Leakage Trade-off in Diffusion Stylization
• Title（参考訳）: SafeStyle:拡散スチリゼーションにおける制御可能なスタイルリークトレードオフのためのキャリブレーション型残留注入
• Abstract要約: 本研究では,凍結拡散モデルにおける調整スタイル残差注入のためのトレーニングフリーフレームワークであるSafeStyleを提案する。 SafeStyleは、競合するテキストアライメントを維持しながら、DINOスタイルの0.432の類似性を達成している。 意味的に不連続なリークストレスのベンチマークでは、DINOスタイルの類似性は0.474で、セマンティックリークはわずか0.8%である。
• 参考スコア（独自算出の注目度）: 7.863176624041382
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Reference-guided diffusion stylization aims to transfer visual style from a reference image while preserving the semantics specified by a text prompt. However, image conditioning often entangles transferable style cues with reference-specific content, leading to an inherent trade-off: stronger conditioning improves style fidelity but increases content leakage, whereas aggressive suppression reduces leakage at the cost of style expression. This challenge is further complicated by the distinct spatial organization of texture- and geometry-dominant styles. To address these issues, we propose SafeStyle, a training-free framework for calibrated style residual injection in frozen diffusion models. SafeStyle first estimates style-supported and content-associated subspaces from compact calibration sets, preserving their informative overlap while suppressing useless content variations. It then transports the purified style evidence over adaptive spatial granularity and constrains its effective influence through an explicit residual-norm budget. Experiments across texture- and geometry-dominant styles show that SafeStyle achieves a DINO style similarity of 0.432 while maintaining competitive text alignment. On a semantically disjoint leakage-stress benchmark, it further achieves a DINO style similarity of 0.474 with only 0.8\% semantic leakage, demonstrating an effective balance between style fidelity and reference-content suppression.
• Abstract（参考訳）: 参照誘導拡散スタイリングは、テキストプロンプトで指定された意味を保ちながら、参照画像から視覚スタイルを転送することを目的としている。 しかし、イメージコンディショニングはしばしば、転送可能なスタイルキューを参照特化コンテンツと絡み合うため、固有のトレードオフをもたらす: 強いコンディショニングはスタイルの忠実性を改善するが、コンテンツリークは増大するが、アグレッシブな抑制はスタイル表現のコストでリークを減少させる。 この課題は、テクスチャと幾何学的に支配的なスタイルの異なる空間構造によってさらに複雑である。 これらの問題に対処するために,凍結拡散モデルにおける調整スタイル残差注入のためのトレーニングフリーフレームワークであるSafeStyleを提案する。 SafeStyleはまず、コンパクトなキャリブレーションセットからスタイルサポート付きおよびコンテンツ関連サブスペースを推定し、無駄なコンテンツのバリエーションを抑えながら、情報の重複を保存する。 その後、適応的な空間的粒度を越えて精製されたスタイルの証拠を輸送し、その効果を明示的な残留ノルム予算によって制限する。 テクスチャや幾何学的なスタイルでの実験では、SafeStyleは競争力のあるテキストアライメントを維持しながら、DINOスタイルの0.432の類似性を達成している。 意味的に不連続なリーク-ストレスのベンチマークでは、DINOスタイルの類似性は0.474で、セマンティックリークは0.85%しかなく、スタイルの忠実さと参照コンテンツ抑制の効果的なバランスを示す。

関連論文リスト

• FreeStyle: Free Control of Style-Content Dual-Reference Generation from Community LoRA Mining [42.06209840326987]
  スタイルコンテンツ二重参照生成は、異なるスタイル参照のスタイルを採用しながら、コンテンツ参照の構造とセマンティクスを保存するイメージを合成することを目的としている。 主なボトルネックは、クリーンなコンテンツスタイルの分離と広いロングテールスタイルのカバレッジを備えた大規模トリプルデータがないことだ。 コミュニティLoRAマイニングに基づくスケーラブルなデュアル参照生成フレームワークであるFreeStyleを提案する。
  論文  参考訳（メタデータ） (2026-06-18T17:24:27Z)
• Style-CCL: Content-Preserving Style Transfer via Curriculum Continual Learning [52.33837657928263]
  スタイル転送は、コンテンツとスタイル参照が与えられたとしても、Diffusion Transformersでは依然として困難である。 SC-DiTをセマンティック(容易)からテクスチャ(ハード)スタイルに学習する多段階連続学習フレームワークであるStyle-CCLを提案する。 我々のフレームワークは,スタイルの類似性,コンテントの整合性,美的品質という3つのコアメトリクスで最先端のパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2026-06-04T13:02:04Z)
• CleanStyle: Plug-and-Play Style Conditioning Purification for Text-to-Image Stylization [5.300721419484575]
  CleanStyleはプラグイン・アンド・プレイのフレームワークで、コンテンツ関連のノイズをリトレーニングすることなく、スタイルの埋め込みからフィルタリングする。 CleanStyleSVDは、タイムアウェアな指数スケジュールを使用して、テールコンポーネントを動的に抑制する。 SS-CFGはテールコンポーネントを再利用し、スタイル対応の無条件入力を構築する。
  論文  参考訳（メタデータ） (2026-02-24T09:33:05Z)
• DICE: Disentangling Artist Style from Content via Contrastive Subspace Decomposition in Diffusion Models [29.817934937899196]
  DICEは、オンザフライのアーティストスタイルの消去のためのトレーニング不要のフレームワークである。 我々は、潜在空間におけるスタイルと非スタイルの特徴を区別するためにモデルを強制するために、対照的な三重項を構築する。 実験により,DICEはスタイル消去の完全性とコンテンツ完全性維持のバランスが良好であることを実証した。
  論文  参考訳（メタデータ） (2026-02-08T17:06:48Z)
• 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)
• Balanced Image Stylization with Style Matching Score [36.542802101359705]
  Style Matching Score (SMS) は拡散モデルを用いた画像スタイリングの新しい最適化手法である。 SMSはスタイルのアライメントとコンテンツ保存のバランスを保ち、最先端のアプローチよりも優れています。
  論文  参考訳（メタデータ） (2025-03-10T17:58:02Z)
• Z-STAR+: A Zero-shot Style Transfer Method via Adjusting Style Distribution [24.88532732093652]
  スタイル転送は重要な課題であり、主に適切なスタイル表現を特定することに焦点を当てている。 既存の手法とは対照的に,バニラ拡散モデルにおける潜在的特徴が自然的スタイルや内容分布を本質的に含んでいることが判明した。 提案手法では,コンテンツ参照とスタイル参照を遅延空間で表現するために,デュアル・デノナイズ・パスを採用し,その後,スタイル遅延符号を用いたコンテントイメージ・デノナイズ・プロセスの導出を行う。
  論文  参考訳（メタデータ） (2024-11-28T15:56:17Z)
• 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)
• HiCAST: Highly Customized Arbitrary Style Transfer with Adapter Enhanced Diffusion Models [84.12784265734238]
  Arbitrary Style Transfer (AST)の目標は、あるスタイル参照の芸術的特徴を所定の画像/ビデオに注入することである。 各種のセマンティックな手がかりに基づいてスタイリング結果を明示的にカスタマイズできるHiCASTを提案する。 新たな学習目標をビデオ拡散モデルトレーニングに活用し,フレーム間の時間的一貫性を大幅に向上させる。
  論文  参考訳（メタデータ） (2024-01-11T12:26:23Z)
• 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)

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。