DICE：基于扩散模型中的对比子空间分解解构艺术家风格

近期扩散模型的快速普及使得模仿独特艺术风格变得轻而易举，用户无需授权即可复制独特的艺术家风格。在部署平台上，这会引发版权和知识产权风险，迫切需要可靠的保护。然而，现有的对策要么需要对新风格进行高成本的权重编辑，要么依赖明确指定的编辑风格，限制了其在部署端的实际安全性。为此，我们提出 DICE（Disentanglement of artist Style from Content via Contrastive Subspace Decomposition，即通过对比子空间分解解构艺术家风格），这是一个用于现场艺术家风格擦除的训练-free 框架。不同于需要明确指定替换风格的风格编辑，DICE 执行风格净化，移除艺术家特征，同时保留用户意图的内容。我们的核心洞见是：模型无法从单个文本或图像 alone 真正理解艺术家风格。因此，我们放弃从孤立样本中识别风格的传统范式。相反，我们构建对比三元组，迫使模型在潜在空间中区分风格与非风格特征。通过将这种解构过程形式化为可解的广义特征值问题，我们实现了精确的风格子空间识别。此外，我们引入一种自适应注意力解耦编辑策略，动态评估每个标记的风格浓度，对 QKV 向量执行差异抑制和内容增强。广泛的实验表明，DICE 在风格擦除彻底性与内容完整性保持之间实现了卓越的平衡。DICE 仅增加 3 秒的额外开销即可解构风格，为遏制风格模仿提供了实用且高效的技术。