StyDeco：基于蒸馏先验与语义解耦的无监督风格迁移
计算机视觉与模式识别
2025-08-05 v1
摘要
扩散模型已成为风格迁移的主导范式，但其文本驱动机制受到核心限制：将文本描述视为统一的单一指导。这一局限忽略了文本描述的非空间性与视觉风格属性的空间感知性之间的语义鸿沟，常导致在风格化过程中丢失语义结构和细粒度细节。本文提出了 StyDeco，一种无监督框架，通过学习为风格迁移任务量身定制的文本表示来解决这一局限。我们的框架首先采用 Prior-Guided Data Distillation（PGD）策略，在无需人工监督的情况下蒸馏风格知识。它利用强大的冻结生成模型自动合成伪配对数据。随后，我们引入对比语义解耦（CSD），使用领域特定权重适配文本编码器。CSD 在语义空间中进行二类聚类，鼓励源和目标表示形成独立的簇。在三个经典基准上的大量实验表明，我们的框架在风格忠实性和结构保持方面均优于several existing approaches，凸显其在语义保持风格迁移中的有效性。此外，我们的框架支持一种独特的去风格化过程，进一步证明了其可扩展性。我们的代码可在 https://github.com/QuanjianSong/StyDeco 上获取。
引用
@article{arxiv.2508.01215,
title = {StyDeco: Unsupervised Style Transfer with Distilling Priors and Semantic Decoupling},
author = {Yuanlin Yang and Quanjian Song and Zhexian Gao and Ge Wang and Shanshan Li and Xiaoyan Zhang},
journal= {arXiv preprint arXiv:2508.01215},
year = {2025}
}
备注
9 pages in total