論文の概要: LociArt: A Unified Paradigm for Free-Style Local Video Stylization
- arxiv url: http://arxiv.org/abs/2610.36456v1
- Date: Tue, 27 Oct 2026 01:04:39 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-28 21:04:31.456863
- Title: LociArt: A Unified Paradigm for Free-Style Local Video Stylization
- Title（参考訳）: LociArt: フリースタイルのローカルビデオスティル化のための統一パラダイム
- Abstract要約: LociArtは、フリースタイルのローカルビデオスタイリングのための統一パラダイムである。
タイマライズする場所と、どのスタイルを適用するかを明確に指定する。
GRNStyleは、スタイルのアイデンティティを、選択されたリージョン内で等しいノーム方向として埋め込む。
- 参考スコア（独自算出の注目度）: 15.503024345842505
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Video stylization typically transforms entire scenes, while local artistic editing requires precise region--style association, spatial control, and temporal consistency. We introduce LociArt, a unified paradigm for free-style local video stylization that explicitly specifies where to stylize and what style to apply while preserving non-target content. At its core, GRNStyle builds on Generative Refinement Networks (GRN) and introduces a polar style-aware mask that embeds style identities as equal-norm directions within selected regions. Complementary representation--geometry conditioning combines encoded mask features with raw-mask spatial support, integrating spatiotemporal context with geometric control. To provide paired supervision, we develop an automated pipeline combining global stylization, video object removal, matting, and compositing, and construct the LociArt-100K Dataset with 100K local stylization pairs. We further establish the LociArt Benchmark, comprising 80 source videos and 84 target masks covering 168 foreground/background stylization cases, with a Style Prototype Similarity (SPS) evaluation scheme for regional style quality and complementary measures of non-target preservation and temporal consistency. Experiments show that GRNStyle outperforms existing methods in regional style quality and spatial control while maintaining strong temporal consistency. Qualitative examples further illustrate joint stylization of multiple regions with the same or different learned styles, despite training only on single-region, single-style pairs. Together, these components provide a unified foundation for learning and evaluating controllable local video stylization. Project page: https://higherhu.github.io/lociart/.
- Abstract（参考訳）: ビデオのスタイリゼーションは、典型的にはシーン全体を変換するが、局所的な芸術的な編集には、正確な地域的関連性、空間的制御、時間的整合性が必要である。
フリースタイルのローカルビデオスタイリングのための統一パラダイムであるLociArtを導入する。
GRNStyleは、ジェネレーティブ・リファインメント・ネットワーク(GRN)上に構築されており、選択した領域にスタイルのアイデンティティを等しいノームの方向として埋め込む極性スタイルのマスクを導入している。
補完的表現-幾何学的条件付けは、符号化マスクの特徴と生マスク空間的サポートを組み合わせることで、時空間コンテキストと幾何学的制御を統合する。
そこで我々は,グローバルなスタイリゼーション,ビデオオブジェクトの削除,マット化,合成を組み合わせた自動パイプラインを開発し,100Kのローカルスタイリゼーションペアを用いたLociArt-100Kデータセットを構築した。
さらに、80のソースビデオと84のターゲットマスクからなるLociArtベンチマークを確立し、SPS(Style Prototype similarity)の評価スキームと、非ターゲット保存と時間的整合性の相補的尺度を用いた。
実験の結果, GRNStyleは時間的整合性を維持しつつ, 地域スタイルの質や空間制御において, 既存の手法よりも優れていた。
定性的な例は、同じまたは異なる学習スタイルの複数のリージョンのジョイントスタイリングをさらに説明します。
これらのコンポーネントは、制御可能なローカルビデオスタイリングの学習と評価のための統合された基盤を提供する。
プロジェクトページ: https://higherhu.github.io/lociart/。
関連論文リスト
- 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) - Style Composition within Distinct LoRA modules for Traditional Art [21.954368353156546]
複数のスタイルを自然にブレンドするゼロショット拡散パイプラインを提案する。
我々は低騒音の潜伏者がより強いスタイル情報を持っているという事実を活用している。
ControlNetによる奥行きマップの条件付けを拡散フレームワークに組み込む。
論文 参考訳（メタデータ） (2025-07-16T07:36:07Z) - StyleMaster: Stylize Your Video with Artistic Generation and Translation [43.808656030545556]
スタイルコントロールはビデオ生成モデルで人気がある。
現在の方法は、しばしば所定のスタイルから遠く離れたビデオを生成し、コンテンツのリークを引き起こし、1つのビデオを所望のスタイルに転送するのに苦労する。
当社のアプローチであるStyleMasterは,スタイルの類似性と時間的コヒーレンスの両方において,大幅な改善を実現しています。
論文 参考訳（メタデータ） (2024-12-10T18:44:08Z) - UniVST: A Unified Framework for Training-free Localized Video Style Transfer [102.52552893495475]
本稿では拡散モデルに基づく局所化ビデオスタイル転送のための統一フレームワークUniVSTを提案する。
トレーニングを必要とせずに動作し、ビデオ全体にわたってスタイルを転送する既存の拡散方法に対して、明確なアドバンテージを提供する。
論文 参考訳（メタデータ） (2024-10-26T05:28:02Z) - Locally Stylized Neural Radiance Fields [30.037649804991315]
局所的なスタイル伝達に基づくニューラルレイディアンスフィールド(NeRF)のスタイリングフレームワークを提案する。
特に、ハッシュグリッド符号化を用いて外観や幾何学的要素の埋め込みを学習する。
提案手法は, 新規なビュー合成により, 可視なスタイリゼーション結果が得られることを示す。
論文 参考訳（メタデータ） (2023-09-19T15:08:10Z) - 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) - Learning Graph Neural Networks for Image Style Transfer [131.73237185888215]
最先端のパラメトリックおよび非パラメトリックなスタイル転送アプローチは、グローバルな統計アライメントによる局所的なスタイルパターンの歪んだり、パッチミスマッチによるアーティファクトを減らしたりする傾向にある。
本稿では,パラメトリック型と非パラメトリック型の両方のスタイライゼーションの欠如を緩和する,新しい半パラメトリック型ニューラルスタイルトランスファーフレームワークについて検討する。
論文 参考訳（メタデータ） (2022-07-24T07:41:31Z) - Interactive Style Transfer: All is Your Palette [74.06681967115594]
本稿では,ユーザが対話的に調和したスタイルのイメージを作成できる,図形的な対話型スタイル転送(IST)手法を提案する。
私たちのISTメソッドは、どこからでもブラシやディップスタイルとして機能し、ターゲットのコンテンツイメージの任意の領域にペイントします。
論文 参考訳（メタデータ） (2022-03-25T06:38:46Z) - Real-time Localized Photorealistic Video Style Transfer [25.91181753178577]
本稿では,対象映像の局所領域に意味論的に意味のある局所領域の芸術的スタイルを移すための新しいアルゴリズムを提案する。
近年のフォトリアリスティックなスタイル転送に触発されたディープニューラルネットワークアーキテクチャをベースとした本手法は,リアルタイムであり,任意の入力に作用する。
本手法は,複数のオブジェクトに異なるスタイルを同時に転送する機能を含む,様々なスタイルの画像やターゲットビデオに対して実証する。
論文 参考訳（メタデータ） (2020-10-20T06:21:09Z)
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。