- InstantStyle-Plus: 文本到图像生成中保留内容的风格转换
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 - SC2：在长文本风格转移中增强内容保持和风格一致性
我们提出了一种新颖的方法 SC2，其中设计了多层联合风格 - 内容加权（JSCW）模块和风格一致性损失，以解决现有方法在准确评估多词内容属性和保持一致风格方面的困难，进而改善内容保留和风格一致性。
- 用分层神经表示风格化稀疏视角的 3D 场景
通过优化基于编码的场景表示与目标风格之间的关联，本文提出了一种针对稀疏视图场景的粗 - 精稀疏场景风格化框架，并采用内容强度退火的优化策略，实现了对稀疏视图场景的高质量风格化和更好的内容保留，通过大量实验验证了方法在风格化质量和效率方面的优 - ICLR潜空间中的生成人体动作风格化
人体动作风格化的生成模型基于预训练自动编码器的潜在空间进行动作提取和融合，实现了多样化的风格化结果，具有轻量级设计却在风格再现、内容保留和广泛应用方面优于现有技术的特点。
- 情感转换中的风格 - 内容平衡：利用极性感知去噪
基于极性感知去噪的情感转换模型，通过在生成文本中准确控制情感属性，以极大程度保留内容，平衡风格和内容之间的权衡，实现了更好的内容保留效果。
- 基于限制扩散生成的可扩展动作风格迁移
通过在训练阶段保持域的独立性，我们通过在向后扩散中施加偏向采样，从而构造了源域关键帧生成的偏置，并将其应用为内容约束的梯度，以实现关键帧流形约束梯度（KMCGs）的框架，我们的验证结果表明，训练单独的模型在多达十种舞蹈动作风格之间进行转换， - MuVieCAST: 多视角一致艺术风格转换
MuVieCAST 是一种模块化的多视角一致风格转换网络结构，能够在同一场景的多个视角之间实现一致的风格转换，并且支持稀疏和密集视图，适用于各种多视图图像数据集。该方法包括三个模块，分别执行与风格转换相关的特定任务，即内容保留、图像转换和多 - ACL通过闭环解缠实现文本属性控制
利用半监督对比学习方法，我们提出一种新的方法来实现属性的稳健控制，并增强内容的保留。通过重新解缠重构的句子并将其与原始潜变空间进行比较，我们实现了一个闭环解缠过程，进一步帮助内容保留。与以往方法不同，对比学习方法能够代替最小化互信息和对抗训 - 通过风格调整和内容保留实现少样本图像生成
我们提出了一种配对图像重建方法，用于内容保留，通过引入图像转换模块到生成对抗网络转换过程中，在少样本设置中，定性和定量实验证明我们的方法始终优于现有方法。
- MMTSSAT: 艺术风格转换的两阶段统计感知变换
通过模拟人类绘画过程，提出了两阶段统计感知转换（TSSAT）模块来改善艺术风格迁移的效果，并引入了基于注意力的内容损失和基于补丁的风格损失来增强内容和风格的表示。大量的定性和定量实验证实了我们方法的有效性。
- 在内容保持的风格转换方面，不要在改写时丢失信息
文本风格转换方法在自然语言处理中越来越受欢迎，允许将文本从有毒到神经、从正式到非正式、从古老到现代英语等形式进行改写。在一些应用中，解决这一任务不仅仅是生成一些神经 / 非正式 / 现代化的文本，更重要的是保持原始内容不变。通过比较各种风格 - 高保真图像到图像转换的层次流
提出了一种新流模型（Hierarchy Flow）用于图像到图像的翻译，通过层次化耦合、多尺度建模和对齐式损失实现更好的内容保留和风格转换，在图像到图像翻译任务中达到了最先进的性能。
- MM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， - InfoStyler：艺术风格转换中的解缠信息瓶颈
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 - 利用非对称梯度引导改进基于扩散的图像翻译
本文提出了一种使用非对称梯度指导的扩散抽样反向过程的方法，以解决图像翻译中的风格转换和内容保留的权衡问题，并在文本引导和图像引导下进行了快速稳定的图像操作。
- 文本引导扩散图像风格迁移的零样本对比损失
本文提出了一种零样式迁移的扩散模型，该零样式迁移使用零额外训练或辅助网络的对比损失来处理内容保留问题，并在图像样式转换和图像到图像翻译中取得了优于现有方法的效果。
- StoryTrans：基于话语表示和内容增强的非平行故事风格转换
本文提出了一个名为 StoryTrans 的生成模型，该模型利用话语表示来捕捉源内容信息，并将其与可学习的样式嵌入一起传输到目标样式以解决非并行故事作者样式转换问题，并且使用一个附加的训练目标来解开样式特征，防止模型退化为一个自动编码器，并 - 研究命名实体在文本风格转换中的内容保留作用
该研究研究了如何在任务导向的生产系统领域中执行文本格式转换，集中探讨通过命名实体关联文本保留内容的角色，并提出一种用于增强基线内容相似性度量模型性能的简单技术。
- 以人类判断为指南，引导正式转移的自动度量
本文针对文本形式转换的评估问题进行研究，重点关注了风格强度、内容保留和流畅度等三个方面的评估，对常见与新型度量标准进行了人工评估和相关分析，提出了在通用性使用情况下建议及其在相关任务中的外推性。
- 基于 PCA 的知识蒸馏：实现轻量化、内容和风格均衡的逼真风格转换模型
通过使用 PCA-based 知识蒸馏方法实现轻量级模型，实现了相较于当前模型 5-20 倍更快且参数更少的风格迁移方法，并保证了良好的内容保留和风格化特征的平衡。