Dec, 2022

StyleFlow：基于归一化流的潜在表征分离方法用于无监督文本风格转换

PDF
TL;DR本文提出了一种基于分离表示的风格迁移模型 StyleFlow，通过设计注意力耦合层和基于归一化流的数据增强方法来实现通过风格转移实现保留内容。实验结果表明，该模型在大多数度量标准上达到了最先进的性能水平。
text style transferunsupervised methodsdisentangled style transfercoupling layersdata augmentation
发现论文，激发创造
  • Style Transformer: 无需分解潜变量的非配对文本风格转移

    本文提出 Style Transformer，它结合了注意力机制和变形器模型，可以更好地处理文本风格转移和内容保存的问题。

    May, 2019

  • 非平行文本风格转换中的解耦表征学习

    本文提出了一个利用多任务和敌对目标进行辅助的简单但有效的方法，用于预测 label 和词袋模型，以此解决了语言模型中风格和内容的潜在变量发掘问题。同时有效地实现了风格迁移，并取得了较之前的最先进方法更好的迁移精度、内容保存和语言流畅度。

    Aug, 2018

  • 使用反向注意力和条件层归一化增强文本风格转移中的内容保留

    本文提出一种改进的文本风格转换方法，在保留内容的同时，通过反向关注机制从每个单词中隐含地去除其风格信息，保证了内容的完整性，并在建立目标风格表示时融合了内容信息，使其对内容具有动态性，从而既创建了风格无关的内容表示，又创建了与内容相关的风格表示，实验结果表明，该方法在保持内容的准确性方面优于现有的基准方法。

    Aug, 2021

  • 无监督文本风格转移中的结构内容保持

    本文提出了一种基于结构化细粒度监督的内容保留模型，利用语言信息并设定模型目标以达到在改变句子的风格的同时更好地保留与风格无关的内容，进行情感和政治倾向转换任务的实验表明该模型在内容保留和风格转换上表现出显著改善。

    Oct, 2018

  • 多属性文本风格转换

    本文提出一种控制文本数据中多种因素变异的模型，用回译机制代替对解缠缠绕的限制，实现对性别、情感、产品类型等多个属性的控制，并通过在潜空间中的池化运算使内容保留和风格变化之间的权衡更加精细，进一步拓展了去耦合框架的应用范围。

    Nov, 2018

  • 从具有任意未知样式的句子进行语言风格转移

    该研究论文介绍了一种利用内容和风格潜在表示进行语言风格转换的方法，并证明了该模型在餐厅评论情感修改、浪漫风格对话回复和莎士比亚风格语句重写等三种任务中具有有效性。

    Aug, 2018

  • 无监督文本风格转移的双重强化学习框架

    本文提出了一种基于双重强化学习框架的一步映射模型，以直接传输文本的风格，而无需分离内容和风格，通过在双重结构上设计的两种奖励来反映风格准确性和内容保留。这种方法可以在没有使用并行数据的情况下通过强化学习训练出两个一步映射模型，评估表明该模型在两个基准数据集上表现优于现有技术，特别是 BLEU 分数平均提高了 8 分以上，人类评估也验证了该模型在风格准确性、内容保留和流畅性方面的有效性。

    May, 2019

  • 基于对比学习的梯度导向无监督文本风格转换

    本文提出了一种基于对比学习范式的新型文本风格转换模型，通过明确收集相似语义句子和设计基于孪生模型的风格分类器，以解决文本样式转换中的内容迁移和样式歧义等问题。针对这些问题，实验结果表明，该模型比现有技术更加有效。

    Jan, 2022

  • 基于扩散的图像翻译：使用解缕分离的风格和内容表征

    本文提出了一种基于扩散的非监督图像转换方法，使用分离的风格和内容表征，并使用 ViT 模型中的中间键提取多头自注意层作为内容保存损失，并匹配文本驱动风格转移的 [CLS] 分类令牌，同时使用额外的 CLIP 损失，实验结果表明，该方法在文本引导和图像引导的转换任务中优于现有的基准模型。

    Sep, 2022

  • 风格转换作为无监督机器翻译

    本文提出一种使用无监督机器翻译方法来实现自动语言风格转换的方法，利用样式偏好信息和单词嵌入相似性来生成伪平行数据，并采用迭代回译方法来联合训练两个神经机器翻译（NMT）系统，其中引入样式分类器来控制噪声。实验表明，该方法在语言风格转换的精确度和输入输出对应质量方面优于以前的现有模型。

    Aug, 2018