StyleGallery：从任意图像参考实现训练-free 和语义感知的个性化风格迁移

尽管扩散模型在图像风格迁移方面取得了进展，但现有方法常受限于 1) 语义鸿沟：风格参考可能缺乏适当的内容语义，导致风格化不可控；2) 依赖额外约束（如语义掩码）限制了适用性；3) 刚性特征关联缺乏自适应的全局-局部对齐，无法在细粒度风格化和全局内容保持之间取得平衡。这些限制，特别是无法灵活利用风格输入，根本限制了风格迁移在个性化、准确性和适应性方面的应用。为此，我们提出 StyleGallery，一个训练-free、语义感知的框架，支持任意参考图像作为输入，并实现有效的个性化定制。它包含三个核心阶段：语义区域分割（对潜在扩散特征进行自适应聚类，以无需额外输入地划分区域）；聚类区域匹配（对提取的特征进行块过滤以实现精确对齐）；风格迁移优化（基于能量函数引导的扩散采样，带区域风格损失以优化风格化）。我们在引入的基准测试上的实验表明，StyleGallery 在内容结构保持、区域风格化、可解释性和个性化定制方面均优于最先进的方法，尤其是在利用多个风格参考时表现更佳。