提供了高效的无需训练的画家式图像协调（PIH）方法，称为 FreePIH，仅利用预训练的扩散模型实现最先进的协调结果。通过将降噪过程作为插件模块应用于前景图像的风格转移，以直接基于降噪实现协调，结合多尺度特征来保证协调图像的忠实度，并提高生成质量。

Nov, 2023

本研究旨在解决图像融合的问题，通过调整图像的前景与背景以达到统一的视觉一致性。研究采用预训练的潜在扩散模型生成和初步处理模糊的初始图像，通过两种策略（在推理过程中利用高分辨率图像和引入额外的优化阶段）进一步提高初步处理后图像的清晰度，并通过在 iHarmony4 数据集上进行大量实验证明了我们方法的优越性。

Apr, 2024

通过应用扩散模型，我们比较了两种条件性扩散模型 (Classifier-Guidance 和 Classifier-Free) 在处理前景图像的亮度和颜色调整，从而达到与背景无缝融合的视觉效果，提出了一种新的图像和谐化方法。

Jun, 2023

该研究提出了一种新颖的画风图像融合网络，由双域生成器和双域判别器组成，通过在空间域和频率域中使用 AdaIN 模块和 ResFFT 模块，进行融合并在拒绝感知机制中优化结果，在基准数据集上进行了广泛的实验并表明了该方法的有效性。

Dec, 2022

绘画风格图像协调网络通过渐进的多阶段协调网络，从低级样式（如颜色、简单纹理）到高级样式（如复杂纹理），将摄影前景对象与绘画背景协调起来，并通过早期退出策略自动决定适当的退出阶段，以提高解释性和协调性能。在基准数据集上进行的大量实验证明了渐进协调网络的有效性。

Dec, 2023

在这项研究中，我们探索了从艺术画中学习绘画图像的目标样式，以实现绘画图像的协调处理。通过学习背景风格和对象信息到对象样式的映射，我们能够生成目标风格的复合对象，进而协调编码器特征图并生成协调图像。对基准数据集的广泛实验验证了我们提出的方法的有效性。

Dec, 2023

我们使用对抗学习来弥合前景特征图和背景特征图之间的领域差异，实现了更和谐、视觉上更具吸引力的结果。

Nov, 2023

本文提出了一种基于条件扩散模型的统一框架，用于图像到图像的转换，并在四个具有挑战性的图像到图像任务中测试了这个框架，即上色，修复，裁剪和 JPEG 恢复。我们的简单实现超越了所有任务上的强 GAN 和回归基线，无需任务特定的超参数调整，架构定制或需要任何辅助丢失或先进的新技术。我们揭示了扩散目标中 L2 与 L1 损失的影响，并通过实证研究证明了自我关注在神经结构中的重要性。重要的是，我们提倡一个基于 ImageNet 的统一评估协议，具有人工评估和样本质量得分（FID，Inception Score，预训练 ResNet-50 的分类准确度和与原始图像的感知距离），我们期望这个标准化的评估协议在推进图像到图像翻译研究方面起到作用。最后，我们展示了一个通用的，多任务扩散模型的执行效果与任务特定的专家模型相当或更好。

Nov, 2021

无需训练和提示的综合画家感知融合方法通过利用图像间注意力共享，重新定义自注意机制并跨图像信息跟踪与提升性能，同时提出新的综合画家感知融合基准测评方法，实验证明了其在多个基准测试中的优越性能。

Apr, 2024

使用去噪扩散模型，我们提出了一种名为 PIDM 的人体图像扩散模型，解决了复杂的转换问题，并展示了在两个大型基准测试中的显着结果，以及如何在下游任务中使用生成的图像。

Nov, 2022