不仅是生成艺术：Stable Diffusion用于艺术分析中的内容-风格解耦
计算机视觉与模式识别
2023-04-21 v1
摘要
内容与风格的二重性源于艺术的本质。对人类而言，这两个元素明显不同：内容指艺术作品中的对象与概念，风格指其表达的方式。这种二重性给计算机视觉带来了重要挑战。对象与概念的视觉外观受风格调制，风格可能反映作者的情感、社会趋势、艺术运动等，对其的深度理解无疑需要同时处理二者。迈向艺术分析通用范式的一个有前景的步骤是解耦内容与风格，而依赖人工标注来提取艺术品的单一属性在学习的语义概念与绘画视觉外观方面存在局限。因此我们提出GOYA，一种将从近期生成模型中提取的艺术知识蒸馏以解耦内容与风格的方法。实验表明，合成生成的图像足以作为艺术品真实分布的代理，使GOYA能够分别表征艺术的两个元素，同时比现有方法保留更多信息。
引用
@article{arxiv.2304.10278,
title = {Not Only Generative Art: Stable Diffusion for Content-Style Disentanglement in Art Analysis},
author = {Yankun Wu and Yuta Nakashima and Noa Garcia},
journal= {arXiv preprint arXiv:2304.10278},
year = {2023}
}