SC2:在长文本风格转移中增强内容保持和风格一致性
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
本文综合评述了最近文本风格迁移的研究进展,提出了一种按类别组织 TST 模型的分类法,并提供了一份最新技术的综合摘要。我们还检验了 19 种最先进的 TST 算法并提供当前趋势的新视角。
Oct, 2020
本文提出了一种新的文本样式转换模型,名为 Style MLM,它使用原型编辑方法来构建一种样式屏蔽语言模型任务,通过使用 “可解释的注意力” 来解决样式屏蔽步骤中的位置问题。我们的模型通过与强大的 TST 基线和先进的 TST 模型竞争,展示了其在内容保留环节效果的卓越性。
Oct, 2022
基于大语言模型和 CoT 提示的 CoTex 框架,在有限的平行数据集约束下,能够优于传统监督微调和知识蒸馏方法的无监督文本风格转换,特别是在资源有限的情况下,同时具有风格转换过程的透明解释。
Mar, 2024
提出了一种基于上下文文本风格转换的新任务和模型,旨在实现高质量的自然上下文保留的风格转换,并通过引入半监督学习等机制,提出了一种用于训练稳健模型的方法,同时介绍了两个新的基准数据,实验结果表明,该模型在准确性、内容保全和上下文一致性等指标上显著优于其他方法。
Apr, 2020
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
提出了一种基于 transformer 的 StyTr$^2$ 方法,用于实现图像风格转移的长程依赖,介绍了一种适用于该任务的内容感知的位置编码(CAPE),并通过定量实验表明其效果优于现有的基于 CNN 和流计算的方法。
May, 2021
通过将风格转移任务分解为风格、空间结构和语义内容三个核心元素,本研究提出了 InstantStyle-Plus,一种注重原始内容完整性同时无缝整合目标风格的方法。通过有效的、轻量级的风格注入过程,并利用先进的 InstantStyle 框架,实现风格注入。为了增强内容保护,我们使用倒置的内容潜噪声和多功能的接插件式 ControlNet 来保持原始图像的内在布局。此外,还引入了全局语义适配器以增强语义内容的保真度,并使用风格提取器作为鉴别器提供辅助风格引导。
Jun, 2024