Dec, 2022

SimpleStyle：一种可适应的风格转移方法

PDF
TL;DR本文提出了 SimpleStyle 方法，它包含了受控去噪和输出过滤两个简单部分，从而有效地实现了文本风格转换，并通过实验验证了其有效性。同时，作者还引入了一种名为 “soft noising” 的新技术来进一步改进系统性能，并将其应用于社交网络中真实文本数据的风格转换。作者建议 SimpleStyle 方法可作为属性控制文本重写领域的基准方法。
发现论文，激发创造
  • 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

  • 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

  • 文本风格转移的深度学习综述

    该论文系统调查了 100 多篇关于神经文本风格迁移的文章，分析了任务制定，现有数据集和子任务的方法，评估以及并行和非并行数据的方法等方面，并就未来该领域的发展进行了讨论。

    Nov, 2020

  • 风格转移和内容保留的低层语言控制

    利用低层级的语言控制来生成具备样式特点的文本，有效性较高，进一步为神经文本生成系统添加语言控制。

    Nov, 2019

  • 删除，检索，生成：一种简单的情感和风格转换方法

    本文提出了一种基于文本属性转换的方法，采用无监督学习来分离属性和独立内容，通过删除特定短语和替换生成适当的输出。在三个不同领域的数据集中，优于先前最佳系统的正确率提高了 22%。

    Apr, 2018

  • 低资源多语言环境下的小样本可控风格转移

    本研究提出一种模型来进行 few-shot 风格转换，实现在没有风格标注的语言中的低资源风格转换；并使用该模型在风格转换、情感转换、文本简化、性别中立化和文本匿名化等需求中实现了 2-3 倍的性能提升。

    Oct, 2021

  • 稳定风格转换器：编码器 - 解码器删除生成方法用于文本风格转换

    本研究介绍了一种在非平行数据集上进行文本风格转换的方法，该方法分两个阶段：通过分类器直接删除句子的属性标记以及通过结合内容标记和目标风格生成转移后的句子。实验证明，该系统可以稳定地在所有自动评估指标上工作，并且与其他模型相当。

    May, 2020

  • 通过形状匹配 GAN 实现可控艺术文本风格转移

    本文介绍了一种基于双向形状匹配框架的文本风格转移网络，该网络允许通过可调参数对字形的关键风格程度进行实时控制，这种方法能够持续表征样式图像的多尺度形状特征并将这些特征传递到目标文本中，有效地解决了文本风格转移中控制样式形变的问题，达到了比先前技术更好的效果。

    May, 2019

  • Style-A-Video：任意文本视频样式转移的敏捷扩散

    这篇文章提出了一种称为 Style-A-Video 的零样式迁移视频美化方法，利用生成式预训练转换器和图像潜在扩散模型，改善图像降噪过程的指导条件，从而在艺术表达和结构保护之间建立平衡，并采用采样优化和时间一致性模块，以达到优秀的内容保护和风格性能。

    May, 2023

  • 用于受控文本风格转换的删除、检索、生成方法转换

    本文提出了一种新的手段 —— 生成式转换器（GST），其使用无监督的预训练语言模型和 Transformer，以重写句子以达到目标风格的目的，并使用 GLEU 评估度量，超出其他当今最先进的情感、性别和政治审查数据集上的性能。

    Aug, 2019