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

我们的论文旨在学习一种视觉艺术风格的表示形式，该表示形式从语义内容中更强的解离出来，我们使用神经风格转换（NST）来测量和驱动学习信号，并在明确解离度量上实现了最先进的表示学习。我们表明，强调风格和内容的解离会在风格特定度量方面取得大量收益，编码较少的语义信息并在下游多模态应用中实现最先进的准确性。

Apr, 2023

神经风格迁移（NST）是将神经技术应用于修改内容图像的艺术外观以匹配参考样式图像的研究领域。我们提出使用基于扩散模型的新类模型来执行风格迁移并实现可变形式的风格迁移，展示了如何在推理时利用这些模型的先验知识，探索了该领域新方向的研究成果。

Jul, 2023

我们提出了一种名为InfoStyler的新颖信息分解方法，通过消除内容图像中的样式统计数据和去除样式图像中的内容结构，捕获了内容和样式表示的最小充分信息。此外，为了进一步促进信息分解学习，我们提出了一种跨域信息瓶颈学习策略，通过重建内容和样式域来实现。大量实验证明，我们的InfoStyler可以在平衡内容结构保存和样式纹理丰富性的同时合成高质量的风格化图像。

Jul, 2023

通过理论分析和实验，本研究展示了扩散模型在零样式转换的有效性和优越性，并引入了交叉注意力重排策略，使样式信息能够直接提取并无缝集成到内容图像中。

Nov, 2023

基于预训练大规模扩散模型的一种新的艺术风格转换方法，通过操作自注意力层的特征作为交叉注意力机制的方式，实现样式的传递和内容的保留，并解决原始内容的破坏和样式颜色不协调的问题，证明在传统和基于扩散的风格转换基准测试中超越了现有方法。

Dec, 2023

DiffStyler是一种新方法，通过利用基于LoRA的文本到图像扩散模型来实现高效且精确的任意图像风格转移，该方法结合了跨LoRA特征和注意注入的策略，旨在在内容保持和风格整合之间取得更和谐的平衡。

Mar, 2024

该研究解决了如何以解耦方式独立控制文本到图像生成模型输出的颜色和风格属性问题。提出了一种首次不依赖训练且仅在测试时进行的方法，通过特征变换和LAB图像空间中的自然分离，灵活地将用户提供的参考图像的颜色和风格应用于生成图像，从而实现了有效的特征融合。

Sep, 2024

本文解决了图像风格迁移中传统模型需要额外训练的问题。通过提出一种无训练的风格迁移算法——风格跟踪反向扩散过程（STRDP），该算法在潜在扩散模型的反向扩散过程中以独特方式使用自适应实例正则化（AdaIN）函数，同时跟踪风格图像的编码历史。实验表明，该方法能够快速实现图像风格迁移，具有速度快、兼容性强和无训练的优点，促进了风格与隐空间模型的灵活组合实验。

Oct, 2024

本研究解决了现有风格迁移方法在内容和风格之间平衡不足的问题。我们提出了一种新颖的无训练方法，通过将文本嵌入与空间特征相结合，并分开注入内容和风格，从而改善风格迁移效果。实验表明，该方法在实现平衡和可控的风格迁移结果方面表现出色，并具有扩展到其他任务的潜力。

Oct, 2024