PokeFusion注意力：用于风格条件图像生成的轻量级交叉注意力机制
计算机视觉与模式识别
2026-03-30 v3
摘要
风格条件文本到图像（T2I）生成需要稳定的角色结构和在多样化提示下保持一致的、细粒度的风格表达。现有方法要么依赖文本唯一提示，往往不足以指定视觉风格，要么引入基于参考的适配器，依赖推理时外部图像，增加系统复杂度并限制部署灵活性。我们提出了PokeFusion注意力，这是一种轻量级解码器级交叉注意力机制，将风格建模为学习的分布式先验，而非实例级条件。该方法直接在扩散解码器中将文本语义与学习的风格嵌入集成，实现无需推理时参考图像即可进行有效的风格化生成。仅训练交叉注意力层和一个紧凑的风格投影模块，预训练的扩散主干保持冻结，实现参数高效且即插即用的设计。在针对风格化角色生成基准的实验中，结果表明该方法在风格忠实性、语义对齐和结构一致性方面优于代表性的适配器基线，同时保持低参数开销和简单推理。
引用
@article{arxiv.2602.03220,
title = {PokeFusion Attention: A Lightweight Cross-Attention Mechanism for Style-Conditioned Image Generation},
author = {Jingbang Tang},
journal= {arXiv preprint arXiv:2602.03220},
year = {2026}
}
备注
12 pages, 5 figures. Revised version with improved method description and corrected references