FedStyle：面向艺术委托的基于风格的联邦学习众包框架
机器学习
2024-04-26 v1 计算机视觉与模式识别
摘要
艺术风格是艺术家职业竞争力的关键因素，但目前的艺术委托平台很少支持基于风格的检索。同时，快速发展的生成式 AI 技术加剧了艺术家将个人艺术作品释放到公共平台上的顾虑。为实现无需暴露个人艺术作品的基于风格的检索，我们提出FedStyle，一种基于风格的联邦学习众包框架。它允许艺术家训练本地风格模型而非共享艺术作品以进行协作。然而，大多数艺术家都有独特的艺术风格，导致他们之间模型漂移严重。FedStyle 通过让艺术家学习其抽象风格表示并与服务器对齐，而不仅仅聚合缺乏语义的模型参数来解决此问题。此外，我们引入对比学习来仔细构建风格表示空间，将风格相似的艺术作品拉近，保持不同作品在嵌入空间中的距离。在提出的数据集上进行的大量实验表明FedStyle的优越性。
引用
@article{arxiv.2404.16336,
title = {FedStyle: Style-Based Federated Learning Crowdsourcing Framework for Art Commissions},
author = {Changjuan Ran and Yeting Guo and Fang Liu and Shenglan Cui and Yunfan Ye},
journal= {arXiv preprint arXiv:2404.16336},
year = {2024}
}
备注
Accepted to ICME 2024