論文の概要: Content-Preserving Principal Feature Blending for Training-Free Style Personalization

• arxiv url: http://arxiv.org/abs/2611.00683v1
• Date: Sat, 31 Oct 2026 06:23:53 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-11-03 19:59:13.204641
• Title: Content-Preserving Principal Feature Blending for Training-Free Style Personalization
• Title（参考訳）: 学習自由なスタイルパーソナライズのためのコンテンツ保存主要特徴ブレンディング
• Abstract要約: スタイルのパーソナライゼーションは、コンテンツプロンプトによって指定された主題を保存しながら、スタイル参照の外観を再現するべきである。 クリーン・ジェネレーション・ブランチから低ランクのコンテンツ・ベースを推定する学習自由度手法であるコンテンツ保存主特徴ブレンディング(CoPFB)を提案する。 1,900のPartiコンテンツプロンプトとファインスタイル参照画像の組み合わせで、CoPFBはテキストアライメントを0.293から0.297に改善し、高調波スコアをPFB+SACよりも0.391から0.393に改善した。
• 参考スコア（独自算出の注目度）: 11.049002814814044
• License:
• Abstract: Reference-based style personalization should reproduce the appearance of a style reference while preserving the subject specified by a content prompt. In visual autoregressive models, dominant reference features can also carry object and spatial information, causing content leakage. We propose Content-Preserving Principal Feature Blending (CoPFB), a training-free method that estimates a low-rank content basis from a clean generation branch and removes the content-aligned component of the style residual. CoPFB applies rank-one blending at the first two autoregressive scales, followed by weaker content-projected refinement at the next three scales. On 1,900 combinations of Parti content prompts and FineStyle reference images, CoPFB improves text alignment from 0.293 to 0.297 and the harmonic score from 0.391 to 0.393 over PFB+SAC, while style similarity decreases from 0.590 to 0.577. CoPFB requires no fine-tuning or learnable parameters. Project page: https://vdkhoi20.github.io/CoPFB/.
• Abstract（参考訳）: 参照型スタイルのパーソナライゼーションは、コンテンツプロンプトによって指定された主題を保存しながら、スタイル参照の外観を再現すべきである。 視覚的自己回帰モデルでは、支配的な参照機能はオブジェクトや空間情報も持ち運び、コンテンツ漏洩を引き起こす。 本稿では,コンテンツ保存主特徴ブレンディング(CoPFB)を提案する。これは,クリーンな生成ブランチから低ランクコンテンツベースを推定し,スタイル残余のコンテンツ整合成分を除去する,トレーニング不要な手法である。 CoPFBは、最初の2つの自己回帰スケールでランクワンブレンディングを適用し、次に次の3つのスケールでコンテンツプロジェクションによる改善が弱まる。 1,900のPartiコンテンツプロンプトとファインスタイル参照画像の組み合わせで、CoPFBはテキストアライメントを0.293から0.297に改善し、PFB+SACでは0.391から0.393に改善し、スタイルの類似性は0.590から0.577に低下した。 CoPFBは微調整や学習可能なパラメータを必要としない。 プロジェクトページ:https://vdkhoi20.github.io/CoPFB/。

関連論文リスト

• CLeaR: A Unified Framework for Resolving the Leakage-Degradation Dilemma in Style Transfer [1.8257640621825584]
  CLeaRは、コンテンツリード型スタイル転送のためのトレーニング不要のフレームワークである。 CLeaRはスタイルアライメントを改善し、コンテンツのリークを低減し、LCM-as-Judge評価を改善する。
  論文  参考訳（メタデータ） (2026-09-29T17:54:59Z)
• 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)
• Structure-Level Disentangled Diffusion for Few-Shot Chinese Font Generation [18.601789249339014]
  中国のフォント生成は、少数の参照画像のみを使用して、ターゲットスタイルで新しい文字を合成することを目的としている。 既存のアプローチは機能レベルのアンタングルのみを達成するため、ジェネレータはこれらの機能を再アンタングルすることができる。 本研究では,2つのチャンネルからコンテンツとスタイル情報を受信する構造レベル分散拡散モデルを提案する。
  論文  参考訳（メタデータ） (2026-02-21T15:41:06Z)
• TripleFDS: Triple Feature Disentanglement and Synthesis for Scene Text Editing [56.73004765030206]
  STE(Scene Text Editing)は、視覚的一貫性を維持しながら、画像中のテキストを自然に修正することを目的としている。 本稿では,モジュラー属性をアンタングル化したSTEのための新しいフレームワークであるTripleFDSを提案する。 TripleFDSは、メインストリームのSTEベンチマークで最先端の画像忠実度(SSIM 44.54)とテキスト精度(ACC 93.58%)を達成する。
  論文  参考訳（メタデータ） (2025-11-17T14:15:03Z)
• AIR: A Systematic Analysis of Annotations, Instructions, and Response Pairs in Preference Dataset [89.37514696019484]
  嗜好学習は、大きな言語モデルと人間の価値の整合に不可欠である。 私たちの作業は、好みのデータセット設計をアドホックなスケーリングからコンポーネント対応の最適化にシフトします。
  論文  参考訳（メタデータ） (2025-04-04T17:33:07Z)
• 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)
• Break-for-Make: Modular Low-Rank Adaptations for Composable Content-Style Customization [45.170565112586374]
  コンテンツとスタイルのパラメータ空間を分離する学習フレームワークを提案する。 提案手法は,コンテンツスタイルとプロンプトのアライメントの観点から,最先端のシングル/マルチコンセプト学習パイプラインより優れている。
  論文  参考訳（メタデータ） (2024-03-28T14:27:36Z)

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。