IntroStyle：基于扩散特征的无训练自省风格归因
计算机视觉与模式识别
2025-08-06 v2 图像与视频处理
摘要
文本到图像（T2I）模型近期广泛应用，引发对保护知识产权的关注以及增加了防止生成特定艺术风格的需求。现有方法通常需要收集自定义数据集并训练专用模型，这种做法在资源和时间上都较为昂贵，难以用于实时应用。我们提出了一种新颖的无训练框架，用于解决风格归因问题，仅利用扩散模型生成的特征特征，无需任何外部模块或重新训练。该方法称为自省风格归因（Introspective Style attribution，简称 IntroStyle），实验表明其在风格归因任务上优于现有最先进模型。我们还引入了艺术风格分割（Artistic Style Split，简称 ArtSplit）的人工合成数据集，以隔离艺术风格并评估细粒度风格归因性能。在 WikiArt 和 DomainNet 数据集上的实验结果表明，本方法对艺术风格的动态特性具有良好的鲁棒性，优于现有方法。
引用
@article{arxiv.2412.14432,
title = {IntroStyle: Training-Free Introspective Style Attribution using Diffusion Features},
author = {Anand Kumar and Jiteng Mu and Nuno Vasconcelos},
journal= {arXiv preprint arXiv:2412.14432},
year = {2025}
}
备注
17 pages, 16 figures