OmniStyle2：通过学习去风格化来进行风格化
计算机视觉与模式识别
2026-03-31 v3
摘要
本文提出了一种针对监督式风格迁移的可扩展范式，通过反转问题来实现：我们学习去风格化，从艺术图像中去除风格元素以恢复其自然状态，从而大规模生成像素对齐的训练对。为实现这一范式,我们提出 DeStylePipe,一个渐进的多阶段去风格化框架,从全局通用去风格化开始,进而进行类别级指令适应,最终针对无法仅通过工程解决的复杂风格部署专门模型适应。紧密集成到该管道中的 DestyleCoT-Filter 采用 Chain-of-Thought 推理,在每个阶段评估内容保留和风格去除,以将具有挑战性的样本向前路由,同时丢弃持续低质量的样本。基于此框架,我们构建了 DeStyle-350K,一个大规模数据集,将多样化的艺术风格与其底层内容对齐。我们进一步引入 BCS-Bench,一个具备平衡内容普遍性和风格多样性的基准,用于系统化评估。大量实验表明,在 DeStyle-350K 上训练的模型能够实现优异的风格化质量,验证了去风格化作为风格迁移可靠且可扩展的监督范式。
引用
@article{arxiv.2509.05970,
title = {OmniStyle2: Learning to Stylize by Learning to Destylize},
author = {Ye Wang and Zili Yi and Yibo Zhang and Peng Zheng and Xuping Xie and Jiang Lin and Yijun Li and Yilin Wang and Rui Ma},
journal= {arXiv preprint arXiv:2509.05970},
year = {2026}
}
备注
Our project page: https://wangyephd.github.io/projects/DeStyle/index.html