StyleDecoupler: 可泛化艺术风格解耦
StyleDecoupler: Generalizable Artistic Style Disentanglement
AI总结：
StyleDecoupler通过信息论方法分离多模态视觉模型中的纯风格特征，实现艺术风格的可泛化解耦，并在大规模艺术数据集上展示出强大的风格检索和生成模型评估能力。
摘要：
由于艺术风格与语义内容之间存在深层次的纠缠，表示艺术风格具有挑战性。我们提出了StyleDecoupler，一个信息论框架，其关键洞察是：多模态视觉模型同时编码了风格和内容，而单模态模型则抑制风格以聚焦于内容不变特征。通过使用单模态表示作为内容-only参考，我们通过互信息最小化从多模态嵌入中分离出纯风格特征。StyleDecoupler可以在冻结的视觉-语言模型上作为即插即用模块运行，无需微调。我们还引入了WeART，一个包含280,000幅作品、152种风格和1,556位艺术家的大规模基准数据集。实验表明，StyleDecoupler在WeART和WikiART上的风格检索任务中达到了最先进的性能，同时支持风格关系映射和生成模型评估等应用。我们在此URL发布我们的方法和数据集。
英文摘要：
Representing artistic style is challenging due to its deep entanglement with semantic content. We propose StyleDecoupler, an information-theoretic framework that leverages a key insight: multi-modal vision models encode both style and content, while uni-modal models suppress style to focus on content-invariant features. By using uni-modal representations as content-only references, we isolate pure style features from multi-modal embeddings through mutual information minimization. StyleDecoupler operates as a plug-and-play module on frozen Vision-Language Models without fine-tuning. We also introduce WeART, a large-scale benchmark of 280K artworks across 152 styles and 1,556 artists. Experiments show state-of-the-art performance on style retrieval across WeART and WikiART, while enabling applications like style relationship mapping and generative model evaluation. We release our method and dataset at this url.
机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。
