画像扩散：基于连锁绘画的无需训练的人脸风格化

Dec, 2023

画像扩散：基于连锁绘画的无需训练的人脸风格化

Portrait Diffusion: Training-free Face Stylization with Chain-of-Painting

Jin Liu, Huaibo Huang, Chao Jin, Ran He

TL;DR本研究提出了一种无需训练的人像风格化框架，名为 Portrait Diffusion，通过使用现成的文本到图像扩散模型，在注意力空间中通过样式关注控制精细地融合内容和样式特征，并提出了一种渐进涂画方法 Chain-of-Painting，从粗糙调整到精细调优，有效实现了面部风格化。

Abstract

face stylization refers to the transformation of a face into a specific portrait style. However, current methods require the use of example-based adaptation approaches to fine-tune pre-trained generative models s

face stylization portrait style training-free latent codes chain-of-painting

发现论文，激发创造

基于扩散模型的人脸交换

基于扩散模型的人脸交换技术，利用 IP-Adapter、ControlNet、以及 Stable Diffusion 的修复工艺实现人脸特征编码、多条件生成和修复操作，更进一步通过面部指导优化和 CodeFormer 进行混合提高生成质量。

Mar, 2024

基于扩散模型的倒置式风格迁移

本文提出了一种基于单张画作的有学习能力的文字描述的艺术风格逆推算法（InST），能够高效地捕捉并转移绘画作品的艺术风格，且经过在多个艺术家和艺术风格的多幅画作上测试验证了其质量和效率。

Nov, 2022

样式注入在扩散中：适应大规模扩散模型进行风格转换的无训练方法

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

任意风格的快速基于块的风格转移

本文提出了一种基于局部匹配和卷积神经网络的简单优化目标，该目标可以在保持效率的同时，产生艺术风格迁移的高品质结果。同时，本文结合内容结构和风格纹理，利用预训练网络的单层来实现该目标，并且使用 80,000 张自然图像和 80,000 张绘画进行反向优化网络的训练，这使得整个算法支持任意图像进行迁移。

Dec, 2016

基于样例的 3D 人像风格化

本文介绍了一个用于一次性 3D 肖像样式转移的框架，可以在仅需要一幅不同样式图像的情况下，生成具有几何和纹理风格的 3D 面部模型，而不是一整套相关样例。本文探索了两个阶段，以利用三位面部关键点转换来捕捉粗略的几何样式，并利用差分渲染器，在多视角框架下对规范纹理进行样式转移。实验表明，我们的方法在不同的艺术风格上取得了稳健的结果，并优于现有的方法。

Apr, 2021

人脸去卡通化

本文提出了一种人脸去艺术化的神经网络方法，可以从艺术化图像中恢复出潜在的真实人脸图像，并且证明了该方法的高效性以及可以处理未曾接触过的艺术化图像。

Feb, 2018

使用扩散模型进行绘画图像协调

我们提出了一个新颖的 Painterly Harmonization stable Diffusion model (PHDiffusion)，通过自适应编码器和双编码器融合模块，实现了更好地插入摄影物体到绘画中并获得艺术上一致的复合图像，能更充分地风格化前景并同时保留更细的内容。

Aug, 2023

肖像风格化：人脸风格化的辅助网络艺术风格转换

本文提出了一种利用辅助预训练人脸识别模型的嵌入特征来促进图像风格转移算法将内容图像中的人脸特征传播到最终风格化结果，以解决现有方法在整个风格化过程中难以保留人脸的个体特征的问题。

Sep, 2023

FreeStyle：使用扩散模型进行文本引导的风格转换的免费午餐

本文介绍了一种创新的基于预训练大型扩散模型的风格转换方法 FreeStyle，无需进一步优化，通过对所需风格的文本描述，实现风格转换，并且实验结果表明了其在不同内容图像和风格文本提示下的高质量综合和保真度。

Jan, 2024

DiffPortrait3D: 控制扩散用于零样画像视角合成

我们提出了 DiffPortrait3D，这是一种条件扩散模型，能够从一个野外肖像合成一致的 3D 真实场景。我们利用大规模图像数据预训练的 2D 扩散模型作为渲染骨干，通过外貌和相机姿势的解耦集中控制对图像进行去噪。我们进一步引入可训练的跨视角注意力模块以增强视角一致性，并在推断过程中实施一种新颖的 3D 感知噪声生成过程。在野外和多视角基准测试上，我们展示了优于现有方法的结果。

Dec, 2023