Styleverse: Towards Identity Stylization across Heterogeneous Domains
National Laboratory of Pattern Recognition, CASIA(中国科学院自动化研究所模式识别国家重点实验室);Center for Excellence in Brain Science and Intelligence Technology, CAS(中国科学院脑科学与智能技术卓越创新中心);School of Artificial Intelligence, University of Chinese Academy of Sciences(中国科学院大学人工智能学院)
我们提出了一个新的具有挑战性的任务,即跨异构域的身份标识样式化(IDS)。IDS的重点是样式化内容标识,而不是使用引用标识完全交换内容标识。我们使用一个有效的基于异构网络的框架$Styleverse$,该框架使用一个单一的域感知生成器来利用不同异构面孔的Metaverse,基于有限数据的建议数据集FS 13。FS13是指13种不同的面部风格,考虑到不同的照明条件,艺术表现和生活维度。先前的类似任务,\eg,图像风格转换可以基于参考图像来处理纹理风格转换。该任务通常忽略了高结构感知的面部区域和内容的高保真保存。然而,Styleverse打算在并行风格宇宙中可控地创建拓扑感知的面部,其中源面部身份通过AdaIN自适应地进行样式化,该AdaIN由来自异构预训练模型的域感知和参考感知风格嵌入指导。我们首先建立了IDS的定量基准以及定性的Styleverse矩阵。大量的实验表明,与其他最先进的方法相比,Styleverse实现了更高保真的身份风格化。
2022-03-02 cs.CV
WikiStyle+: A Multimodal Approach to Content-Style Representation Disentanglement for Artistic Image Stylization
Xidian University(西安电子科技大学)
针对现有艺术图像风格化方法依赖图像监督导致的单模态限制和解耦不彻底问题,本文构建WikiStyle+多模态数据集,提出解耦表示引导的扩散模型,实现更精细且符合参考风格艺术特征的风格化。
2025-04-12 cs.CV
Real-Time Style Transfer With Strength Control
Lomonosov Moscow State University(罗蒙诺索夫莫斯科国立大学);Plekhanov Russian University of Economics(普列汉诺夫俄罗斯经济大学)
样式转换是以另一样式图像的样式呈现内容图像的问题。在风格转换的应用中,一个自然而常见的实际任务是调整风格化的强度。Gatys等人(2016)的算法通过改变内容和风格损失的权重因子来提供这种能力,但计算效率低下。Johnson et al.(2016)引入的实时风格传输通过将图像传递到预先训练的Transformer网络,实现了任何图像的快速风格化。虽然速度很快,但这种架构无法持续调整风格强度。我们提出了一个扩展的实时风格传输,允许直接控制风格的强度在推理,仍然只需要一个单一的Transformer网络。我们进行定性和定量的实验表明,该方法是能够顺利风格化强度控制,并消除某些风格化文物出现在原来的实时的【形】风格转移方法。与其他实时的【形】风格转换算法的比较,能够调整风格化强度,表明我们的方法再现风格与更多的细节。
2019-04-18 cs.CV
Generative Human Motion Stylization in Latent Space
University of Alberta(阿尔伯塔大学)
本文提出在预训练自编码器潜空间中分解运动的内容码与概率风格码,并通过生成模型实现多样化的人体运动风格化,在轻量设计下取得了优于现有方法的风格重现与内容保持效果。
2024-02-24 cs.CV
StyleCity: Large-Scale 3D Urban Scenes Stylization
The Hong Kong University of Science and Technology(香港科技大学)
StyleCity是首个视觉与文本驱动的3D城市场景纹理风格化系统,通过神经纹理场和扩散模型实现语义感知风格化及360度天空生成,支持任意分辨率烘焙,显著简化虚拟制作流程。
2024-07-16 cs.CV
Distribution Aligned Multimodal and Multi-Domain Image Stylization
Institute of Automation, Chinese Academy of Sciences(中国科学院自动化研究所);University of Chinese Academy of Sciences(中国科学院大学);Microsoft Research Asia(微软亚洲研究院);Kuaishou Technology(快手科技)
多模态和多领域风格化是图像风格传递领域的两个重要问题。目前,很少有方法可以同时执行多模态和多领域风格化。在本文中,我们提出了一个统一的框架,多模态和多领域的风格转移的支持下,基于范例的参考和随机抽样的指导。我们的方法的关键组成部分是一个新的风格分布对齐模块,消除了各种风格域之间的显式分布差距,并降低了模式坍塌的风险。多模态的多样性是由多个图像或随机风格的代码的指导,而多域的可控性是直接通过使用一个域标签来实现。我们验证了我们提出的框架与各种不同的艺术风格和流派的绘画风格转移。定性和定量的比较与国家的最先进的方法表明,我们的方法可以生成高质量的结果,多域风格和多模态的实例与参考风格的指导或随机抽样风格。
2020-06-02 cs.CV
ArtNVG: Content-Style Separated Artistic Neighboring-View Gaussian Stylization
Fudan University(复旦大学);Shanghai University(上海大学);Shanghai Theatre Academy(上海戏剧学院)
针对3D风格化中局部颜色纹理不一致的问题,提出基于3DGS的ArtNVG框架,通过内容-风格分离控制与注意力邻视图对齐,实现高质量风格化并超越现有方法。
2026-09-18 cs.CV
DreamStyle: A Unified Framework for Video Stylization
Intelligent Creation Lab, ByteDance(字节跳动智能创作实验室)
DreamStyle通过统一框架支持文本、风格图像和第一帧引导的视频风格化,提升风格一致性和视频质量。
2026-01-06 cs.CV
Owner3D: Ownership-Guided Style Writing for Training-Free Localized 3D Stylization
College of Computer Science, Sichuan University(四川大学计算机学院)
本研究针对LRM中本地化3D风格化的风格泄漏与边界模糊问题,提出无训练框架Owner3D,通过所有权引导风格写入、边界双槽及表面优先纹理读出实现更优的风格保真与外观保留。
2026-08-17 cs.CV
Stylos: Multi-View 3D Stylization with Single-Forward Gaussian Splatting
Texas A&M University(德克萨斯A&M大学)
Stylos通过单次前向高斯点云框架实现多视图3D风格迁移,采用Transformer主干和全局交叉注意力机制,结合体素损失实现视图一致的风格化效果。
2026-11-06 cs.CV
PNeSM: Arbitrary 3D Scene Stylization via Prompt-Based Neural Style Mapping
Zhejiang University(浙江大学);Nanjing University of Science and Technology(南京理工大学)
提出PNeSM框架,通过将3D场景外观映射到2D风格模式空间并利用基于提示的风格化算法,实现无需重新训练的任意风格与任意场景的迁移,在视觉质量和泛化性上超越现有方法。
2024-03-13 cs.CV
Automatic Content-Aware Color and Tone Stylization
Adobe Research(奥多比研究院);KAIST(韩国科学技术院)
我们引入了一种新的技术,自动生成多样化的,视觉上引人注目的风格化的照片在无人监督的方式。我们通过使用大型照片集学习给定输入的风格排名并选择匹配风格的不同子集进行最终风格转移来实现这一点。我们还提出了一种新的技术,将所选样本的全局颜色和色调转移到输入照片中,同时避免了现有风格转移方法所产生的常见视觉伪影。总之,我们的风格选择和转移技术在广泛的输入照片上产生引人注目的,无伪影的结果,用户研究表明,我们的结果优于其他技术。
2015-11-12 cs.CV
Self-Contained Stylization via Steganography for Reverse and Serial Style Transfer
National Chiao Tung University(国立交通大学)
风格转移被广泛应用于赋予现实世界的图像一个新的艺术面貌。然而,给定一个风格化的图像,尝试使用典型的风格转换方法去风格化或将其再次转换为另一种风格通常会导致伪像或不期望的结果。我们意识到这些问题的根源在于原始图像和其风格化输出之间的内容不一致。因此,在本文中,我们提出了保持输入图像的内容信息的风格转移过程中的权力的隐写术,提出了两种方法:一个两阶段的模型和一个端到端的模型。我们进行了大量的实验,成功地验证了我们的模型的能力,在这两个模型中,他们不仅能够生成与典型的风格转移方法产生的质量相媲美的风格化图像,而且还有效地消除了在重建原始输入的风格化图像,以及执行多次的风格转移系列的文物。
2020-01-09 cs.CV
EmoStyle: Emotion-Driven Image Stylization
CSSE, Shenzhen University(计算机科学与工程系,深圳大学)
EmoStyle通过构建情感-内容-风格化图像数据集和情感-内容推理器,实现基于情感的图像风格化,提升情感表达与内容一致性。
2025-12-05 cs.CV
ConRF: Zero-shot Stylization of 3D Scenes with Conditioned Radiation Fields
Durham university(杜伦大学);IHPC, A*STAR(新加坡科技研究局高性能计算研究院);Tencent Jarvis Research Center(腾讯Jarvis研究中心)
针对现有3D NeRF风格迁移需逐风格重训练的问题,提出零样本风格化方法ConRF,通过映射CLIP特征到预训练VGG风格空间并结合3D体表示,实现文本/图像引导的全局或局部3D场景风格化,视觉效果优于现有方法。
2024-03-06 cs.CV
Mixture of Style Experts for Diverse Image Stylization
VCIP, CS, Nankai University(南开大学计算机学院视觉与图像处理实验室);NKIARI, Shenzhen Futian(深圳福田南开大学新一代人工智能研究院);Tianjin University(天津大学);vivo BlueImage Lab(vivo蓝心影像实验室)
本文提出StyleExpert框架,基于MoE模型实现语义感知的图像风格化,通过统一编码器和动态门控机制处理多层级语义风格,实验表明其在保持语义和材质细节方面优于现有方法。
2026-03-29 cs.CV
Leveraging Diffusion Models for Stylization using Multiple Style Images
DisneyResearch|Studios(迪士尼研究|工作室)
本文提出利用多张风格图像并结合图像提示适配器与注意力特征统计对齐,在去噪 UNet 的交叉注意力和自注意力层进行干预,以提升风格匹配质量并防止内容泄漏,在风格化任务上取得最先进结果。
2025-08-18 cs.CV
JoJoGAN: One Shot Face Stylization
University of Illinois at Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校)
样式映射器将某些固定的样式应用于其输入图像(例如,将面部应用于卡通)。本文描述了一个简单的过程-- JoJoGAN --从单个样式示例学习样式映射器。JoJoGAN使用GAN反演过程和StyleGAN的样式混合属性来从单个示例样式生成大量配对数据集。然后使用配对的数据集来微调StyleGAN。然后,图像可以通过GAN反演进行样式映射,然后进行微调的StyleGAN。JoJoGAN只需要一个参考和30秒的训练时间。JoJoGAN可以成功地使用极端的风格参考(比如动物脸)。此外,可以控制使用样式的哪些方面以及应用样式的多少。定性和定量评估表明,JoJoGAN生成的高质量高分辨率图像大大优于当前最先进的图像。
2022-03-06 cs.CV
Instant Photorealistic Neural Radiance Fields Stylization
John Hopcroft Center for Computer Science(计算机科学约翰·霍普克罗夫特中心);Shanghai Jiao Tong University(上海交通大学)
本文提出 Instant Neural Radiance Fields Stylization,通过拆分哈希位置编码器并在推理时结合内容与风格体素特征执行 AdaIN,实现无需额外训练、10分钟内生成多视角一致的三维场景风格化新视图。
2024-07-02 cs.CV
Automatic Image Stylization Using Deep Fully Convolutional Networks
The University of Hong Kong(香港大学)
色彩和色调风格化努力增强独特的主题与艺术色彩和色调的调整。它具有广泛的应用范围,从专业的图像后处理到通过社交网络分享照片。主流的照片增强软件为用户提供预定义的风格,这些风格通常是通过试错过程手工制作的。这样的照片调整工具缺乏对图像内容的语义理解,并且由此产生的全局颜色变换限制了它可以表示的艺术风格的范围。另一方面,文体增强需要对不同的语义区域进行不同的调整。这样的能力使更广泛的视觉风格。在本文中,我们提出了一种用于自动图像风格化的新型深度学习架构,该架构从图像对中学习局部增强风格。我们的深度学习架构是一个端到端的深度全卷积网络,执行语义感知的特征提取以及自动图像调整预测。图像风格化可以通过我们的深度网络进行单次前向传递来有效地完成。在现有图像风格化数据集上的实验证明了我们的深度学习架构的有效性。
2018-11-27 cs.CV
Exploring the structure of a real-time, arbitrary neural artistic stylization network
Google Brain(谷歌大脑);MILA, Université de Montréal(蒙特利尔大学MILA)
在本文中,我们提出了一种方法,它结合了艺术风格的神经算法的灵活性与快速风格传输网络的速度,允许使用任何内容/风格图像对实时的【形】风格化。我们建立在最近的工作,利用条件实例规范化的多风格的传输网络,学习预测的条件实例规范化参数直接从一个风格的图像。该模型在大约80,000幅绘画的语料库上成功训练,并且能够推广到以前未观察到的绘画。我们证明了学习的嵌入空间是平滑的,包含丰富的结构,并以完全无监督的方式组织与绘画相关的语义信息。
2017-08-24 cs.CV
StyleMe3D: Stylization with Disentangled Priors by Multiple Encoders on 3D Gaussians
ShanghaiTech University(上海科技大学);StepFun;AIGC Research(AIGC研究院);Guangming Laboratory(光明实验室)
StyleMe3D通过多编码器在3D高斯上实现解耦先验的风格化,利用动态风格分数蒸馏和多模态对齐策略提升风格迁移效果。
2026-02-05 cs.CV
SafeStyle: Calibrated Style Residual Injection for Controllable Style-Leakage Trade-off in Diffusion Stylization
University of Science and Technology of China(中国科学技术大学)
SafeStyle提出免训练的校准风格残差注入方法,通过子空间估计和残差范数预算,在扩散风格化中平衡风格保真度与内容泄漏,实验显示高风格相似度且低语义泄漏。
2026-09-21 cs.CV
Advancing Facial Stylization through Semantic Preservation Constraint and Pseudo-Paired Supervision
School of Electrical and Electronic Engineering(电子工程学院);University of Shanghai Jiao Tong University(上海交通大学)
提出整合语义保留约束与伪配对监督的面部风格化方法,解决生成器语义偏移问题,实现高保真且灵活的多模态风格迁移。
2025-06-30 cs.CV
Staying True to the Origin: Continuous Image Stylization with Smooth Transitions
该研究针对图像风格化的内容保留与过渡问题,提出两阶段训练策略及风格强度感知样条插值方法,让基于DiT的模型实现精确连续的风格强度控制,生成高保真结果。
2026-08-11 cs.CV
A Closed-form Solution to Photorealistic Image Stylization
University of California, Merced(加州大学默塞德分校);NVIDIA(英伟达)
真实感图像风格化涉及将参考照片的风格转移到内容照片,其中约束为风格化照片应保持真实感。虽然存在几种真实感图像风格化方法,但它们倾向于生成具有明显伪影的空间不一致的风格化。在本文中,我们提出了一种方法来解决这些问题。所提出的方法包括一个风格化步骤和平滑步骤。当风格化步骤将参考照片的风格转移到内容照片时,平滑步骤确保空间一致的风格化。每一步都有一个封闭形式的解决方案,可以有效地计算。我们进行了广泛的实验验证。结果表明,所提出的方法产生的真实感风格化的输出,是更喜欢的人类科目相比,由竞争的方法,同时运行得更快。源代码和其他结果可在https://github.com/NVIDIA/FastPhotoStyle上获得。
2018-07-27 cs.CV
Multi-Modal Face Stylization with a Generative Prior
Kuaishou Technology(快手科技);Tsinghua University(清华大学)
本文提出MMFS框架,将StyleGAN集成到编码器-解码器架构中,通过两阶段训练和CLIP到$w+$空间的映射网络,实现零样本与单样本多模态人脸风格化,性能大幅超越现有方法。
2023-09-25 cs.CV
Deformable One-shot Face Stylization via DINO Semantic Guidance
Visual Computing Research Center, Shenzhen University(深圳大学视觉计算研究中心)
提出 DoesFS 框架,利用 DINO-ViT 语义、STN、方向形变损失、结构一致性与风格混合,实现可形变的单次人脸风格化。
2024-03-04 cs.CV
Portrait Diffusion: Training-free Face Stylization with Chain-of-Painting
ShanghaiTech University(上海科技大学);Institute of Automation, Chinese Academy of Sciences(中国科学院自动化研究所)
提出免训练框架 Portrait Diffusion,利用扩散模型注意力融合与 Chain-of-Painting 渐进重绘,实现无需微调的细致人脸风格化。
2023-12-03 cs.CV
FreeViS: Training-free Video Stylization with Inconsistent References
Johns Hopkins University(约翰霍普金斯大学);Adobe Research(Adobe研究院)
针对视频风格化存在的时间一致性差、训练成本高的问题,提出免训练框架FreeViS,通过整合多参考图到预训练I2V模型、结合高频补偿与光流运动线索,实现了高保真、强时间连贯的风格化效果,性能优于现有基线。
2025-10-02 cs.CV
StyleMesh: Style Transfer for Indoor 3D Scene Reconstructions
Technical University of Munich(慕尼黑工业大学);University of Michigan(密歇根大学)
我们将风格转移应用于室内场景的网格重建。这使得VR应用程序能够体验以最喜欢的艺术家风格绘制的3D环境。样式转换通常在2D图像上操作,使得网格的样式化具有挑战性。当在各种姿势上进行优化时,样式化图案会变得拉长,大小不一致。另一方面,存在基于模型的3D样式转换方法,其允许从稀疏图像集进行样式化,但它们在推理时需要网络。为此,我们优化了一个明确的纹理重建网格的场景和styphilic它联合从所有可用的输入图像。我们的深度和角度感知优化利用底层网格的表面法线和深度数据为整个场景创建统一和一致的样式化。我们的实验表明,我们的方法创建清晰和详细的结果,为完整的场景没有视图相关的文物。通过广泛的消融研究,我们表明,所提出的3D意识,使风格转移被应用到3D域的网格。我们的方法可以用来实时渲染一个风格化的网格与传统的渲染管道。
2022-03-17 cs.CV
StylizedGS: Controllable Stylization for 3D Gaussian Splatting
University of Chinese Academy of Sciences(中国科学院大学);Beijing Key Laboratory of Mobile Computing and Pervasive Device, Institute of Computing Technology, Chinese Academy of Sciences(北京移动计算与 pervasive 设备重点实验室,中国科学院计算技术研究所);Victoria University of Wellington(维多利亚大学);Key Laboratory of Intelligent Information Processing, Institute of Computing Technology, Chinese Academy of Sciences(智能信息处理重点实验室,中国科学院计算技术研究所)
针对现有NeRF类3D风格化方法效率低、几何风格迁移不准、控制灵活性不足的问题,提出基于3D高斯泼溅的StylizedGS框架,通过滤波去噪、最近邻风格损失与深度保持损失实现高质量风格化,支持颜色、尺度、区域的灵活控制,在效果与速度上均表现优异。
2025-09-02 cs.CV
StyleGallery: Training-free and Semantic-aware Personalized Style Transfer from Arbitrary Image References
StyleGallery通过语义感知和无需训练的框架,实现任意图像参考的个性化风格迁移,提升内容保留与风格化平衡能力。
2026-03-12 cs.CV
Style3D: Attention-guided Multi-view Style Transfer for 3D Object Generation
Northwestern Polytechnical University(西北工业大学)
本文提出 Style3D,通过 MultiFusion Attention 对齐多视图内容与风格特征,并结合大型3D重建模型,实现无需特定训练、高效且高质量的即时3D物体风格化。
2024-12-04 cs.CV
3D Stylization via Large Reconstruction Model
Bilkent University(比尔肯大学);Adobe Research(Adobe研究)
本文提出一种基于大型重建模型注意力机制的3D外观风格化方法,通过注入视觉风格图像特征实现多视角一致的3D资产外观迁移,无需训练或测试时优化,显著提升效率且保持高质量。
2025-04-30 cs.CV
Ref-NPR: Reference-Based Non-Photorealistic Radiance Fields for Controllable Scene Stylization
The Chinese University of Hong Kong(香港中文大学);SmartMore(思谋科技)
当前的3D场景风格化方法使用任意的样式引用来将纹理和颜色作为样式进行传递,缺乏有意义的语义对应。我们引入基于参考的非真实感辐射场(Ref-NPR)来解决这个限制。该可控方法使用辐射场以单个风格化的2D视图作为参考来风格化3D场景。我们提出了一种基于风格化参考视图的射线配准过程,以获得新视图中的伪射线监督。然后,我们利用内容图像中的语义对应关系来填充具有感知相似风格的遮挡区域,从而产生非真实感和连续的新颖视图序列。我们的实验结果表明,Ref-NPR优于现有的场景和视频风格化方法的视觉质量和语义对应。代码和数据可在项目页面https://ref-npr.github.io上公开获取。
2023-03-26 cs.CV
Balanced Image Stylization with Style Matching Score
Show Lab, National University of Singapore(新加坡国立大学Show实验室);Agency for Science, Technology and Research (A*STAR)(科技研究局);Nanyang Technological University(南洋理工大学);Wangxuan Institute of Computer Technology, Peking University(北京大学王轩计算机技术研究所)
本文提出风格匹配分数(SMS),将图像风格化建模为风格分布匹配问题,并结合渐进频谱正则化与语义感知梯度细化,在保持内容的同时实现高效、高质量的风格迁移。
2025-07-22 cs.CV cs.LG
Unified Implicit Neural Stylization
The University of Texas at Austin(德克萨斯大学奥斯汀分校)
通过隐式表示来表示视觉信号(例如,基于坐标的深度网络)已经在许多视觉任务中流行。这项工作探索了一个新的有趣的方向:使用可以应用于各种2D和3D场景的通用方法训练风格化的隐式表示。我们对各种隐式函数进行了初步研究,包括基于二维坐标的表示,神经辐射场和有符号距离函数。我们的解决方案是一个统一的隐式神经风格化框架,被称为INS。与普通的隐式表示相反,INS将普通的隐式函数分为风格隐式模块和内容隐式模块,以便分别编码来自风格图像和输入场景的表示。然后应用合并模块来聚合这些信息并合成风格化的输出。为了使三维场景中的几何规则化,我们提出了一种新的自蒸馏几何一致性损失,它保持了风格化场景的几何保真度。在多个任务设置上进行了全面的实验,包括复杂场景的新视图合成,隐式曲面的风格化,以及使用MLP拟合图像。我们进一步证明了学习的表示不仅在空间上而且在风格上都是连续的,从而可以毫不费力地在不同风格之间进行插值,并生成具有新混合风格的图像。请参考我们项目页面上的视频以获取更多合成结果:https://zhiwenfan.github.io/INS。
2022-08-21 cs.CV
Style Transfer Dataset: What Makes A Good Stylization?
Lomonosov Moscow State University(莫斯科罗蒙诺索夫国立大学);Plekhanov Russian University of Economics(普列汉诺夫俄罗斯经济大学)
本文提出一个包含10000张人工评分的风格迁移数据集,通过分析评分揭示了影响用户评价的关键因素与定量指标,并探讨了数据集构建方法,以推进风格迁移配置与评估的自动化。
2024-12-22 cs.CV eess.IV
HyperStyle3D: Text-Guided 3D Portrait Stylization via Hypernetworks
Shanghai Jiao Tong University(上海交通大学);Shanghai AI Laboratory(上海人工智能实验室)
本文提出HyperStyle3D,利用超网络在单次前向传播中调控3D感知GAN生成器参数,并以CLIP提供文本引导,实现无需3D数据和风格图像的多风格、细粒度3D肖像风格化。
2023-04-19 cs.CV
ZePo: Zero-Shot Portrait Stylization with Faster Sampling
SIST, ShanghaiTech University(上海科技大学SIST);Institute of Automation, CAS(中国科学院自动化研究所)
针对现有扩散模型人像风格化方法速度慢的问题,提出无需逆扩散的ZePo框架,借助潜一致性模型特征与风格增强注意力控制,仅四步采样实现高效高保真的零样本人像风格化。
2024-08-10 cs.CV
TET-GAN: Text Effects Transfer via Stylization and Destylization
Institute of Computer Science and Technology, Peking University(北京大学计算机科学技术研究所)
文本效果转移技术自动使文本更加引人注目。然而,以前的风格转换方法要么研究一般风格的模型,这不能处理沿着纹理的高度结构化的文本效果,要么需要手动设计用于文本效果的精细匹配标准。在本文中,我们专注于使用深度神经特征的强大表征能力来实现文本效果转移。为此,我们提出了一种新的纹理效果传输GAN(TET-GAN),它包括一个风格化子网络和一个去风格化子网络。其关键思想是训练我们的网络来完成风格转移和风格去除的目标,这样它就可以学会解开和重组文本效果图像的内容和风格特征。为了支持我们网络的训练,我们提出了一个新的文本效果数据集,其中包含多达64种专业设计的样式,837个字符。我们表明,解开的功能表示使我们能够使用一个网络传输或删除任意字形上的所有这些样式。此外,灵活的网络设计使TET-GAN能够通过只需要一个示例的一次性学习有效地扩展到新的文本样式。我们证明了所提出的方法在生成高质量的风格化文本的国家的最先进的方法的优越性。
2018-12-27 cs.CV
Dance Like a Chicken: Low-Rank Stylization for Human Motion Diffusion
Tel Aviv University(特拉维夫大学);Snap Inc.(Snap公司)
本文提出LoRA-MDM,通过低秩适配少量风格样本调整运动扩散先验,在保持分布结构和可编辑性的同时实现逼真风格注入,并支持风格混合与运动编辑。
2025-07-21 cs.CV
CleanStyle: Plug-and-Play Style Conditioning Purification for Text-to-Image Stylization
AGI Lab, Westlake University(西lake大学AGI实验室)
CleanStyle通过动态抑制风格嵌入的尾部成分,提升文本到图像风格化任务中提示保真度和视觉质量。
2026-02-24 cs.CV
Styl3R: Instant 3D Stylized Reconstruction for Arbitrary Scenes and Styles
Zhejiang University(浙江大学);Westlake University(西湖大学)
本文提出Styl3R,一种基于分支前馈架构和恒等损失预训练的即时3D风格化重建方法,可利用无位姿稀疏视角与任意风格图像在一秒内生成高一致性、高质量内容。
2025-10-20 cs.CV
GAS-NeRF: Geometry-Aware Stylization of Dynamic Radiance Fields
Technical University of Munich(慕尼黑工业大学);Munich Center for Machine Learning(慕尼黑机器学习中心);Technion(以色列理工学院);Nvidia(英伟达公司)
本文提出GAS-NeRF方法,通过深度图提取几何细节并结合外观迁移,在动态辐射场中实现外观与几何的联合风格化,显著提升风格化质量并保持时间一致性。
2025-03-11 cs.CV
DiffStyle3D: Consistent 3D Gaussian Stylization via Attention Optimization
DiffStyle3D通过注意力优化实现3D高斯风格迁移,提升多视图一致性和视觉效果
2026-01-27 cs.CV
WaSt-3D: Wasserstein-2 Distance for Scene-to-Scene Stylization on 3D Gaussians
LMU Munich(慕尼黑大学);Meta Reality Labs(元宇宙实验室);Texas A&M University(德克萨斯农工大学)
本文提出WaSt-3D,利用显式高斯泼溅表示和熵正则化的Wasserstein-2距离直接匹配内容与风格场景间的高斯分布,将风格化重构为显式分布匹配,无需训练即可实现高分辨率3D场景风格化。
2024-09-26 cs.CV
MagicStyle: Portrait Stylization Based on Reference Image
Honor(荣耀(品牌))
针对人像参考图像风格化中细节保留与风格迁移难兼顾的问题,提出含CSDI和FFF两阶段的MagicStyle方法,通过存储并融合自注意力特征实现风格化,经实验验证有效。
2024-09-12 cs.CV
Capacity-Controlled Multi-View Stylization of 3D Gaussian Splatting
Guangdong Provincial Key Laboratory of Visual Media and Multidimensional Intelligence, CSSE, Shenzhen University(广东省可视媒体与多维智能重点实验室,计算机科学与软件工程学院,深圳大学);Tencent Games(腾讯游戏);The Hebrew University of Jerusalem(耶路撒冷希伯来大学);Tel Aviv University(特拉维夫大学)
提出基于最优传输的容量控制框架,通过半平衡最优传输和列容量约束解决多视图风格分配不稳定问题,实现跨视图一致的3D风格化。
2026-06-26 cs.CV
ArtNeRF: A Stylized Neural Field for 3D-Aware Cartoonized Face Synthesis
Institute of Artificial Intelligence, Beihang University(北京航空航天大学人工智能研究院)
提出ArtNeRF框架,结合3D感知GAN、对比学习风格编码器与自适应风格混合模块,实现了高质量、任意风格的3D感知卡通人脸合成与实时渲染。
2024-04-26 cs.CV
CapTalk: Text-Guided Stylization and Speech-Driven 3D Head Animation
The University of Tokyo(东京大学);Snap Research, Snap Inc.;RIKEN AIP(理化学研究所AIP)
提出CapTalk框架,通过文本描述控制说话风格和情感,结合语音驱动生成同步唇动和面部表情,支持动态情感变化。
2026-05-28 cs.CV
Non-Local Representation based Mutual Affine-Transfer Network for Photorealistic Stylization
University of Tennessee(田纳西大学);Capital Normal University(首都师范大学)
真实感风格化旨在以自然的方式将参考照片的风格转移到内容照片上,使得风格化的图像看起来像由相机拍摄的真实照片。现有技术的方法在每个匹配的语义区域内局部地对图像进行风格化,并且倾向于跨语义对象/部分的全局颜色不一致,使得风格化的图像不太真实。为了解决这些具有挑战性的问题,我们提出了一个非本地的表示方案,约束与相互仿射传输网络(NL-MAT)。通过基于字典的分解,NL-MAT能够成功地将匹配的非局部表示和图像对的颜色信息解耦,使得图像对之间的上下文对应关系自然地被合并,这在很大程度上促进了以全局一致的方式进行局部风格传输。据我们所知,这是第一次尝试用非局部表示方案来解决真实感风格化问题,这样在风格化过程中就不需要额外的模型或语义匹配步骤。实验结果表明,该方法能够在保持内容图像的空间结构和全局色彩一致性的同时,通过局部风格转移生成真实感效果。
2021-07-06 cs.CV
DEADiff: An Efficient Stylization Diffusion Model with Disentangled Representations
University of Science and Technology of China(中国科学技术大学);ByteDance Inc.(字节跳动公司)
针对现有风格迁移方法损害文本可控性的问题,提出DEADiff模型,通过风格语义解耦机制和非重建学习,实现风格化效果与文本可控性的最优平衡。
2024-03-12 cs.CV