潜在扩散模型中的风格属性控制
计算机视觉与模式识别
2026-05-05 v1
摘要
文本到图像扩散模型已经 revolutionized 了图像合成和编辑，但对风格属性的精确控制仍然是一个挑战，常常会导致意外的内容修改。我们提出了一种通过学习从合成数据集中分离的编辑方向来对潜在扩散模型中的风格属性进行细粒度参数化控制的方法。我们采用 guidance composition 来弥合风格微调模型与基础模型之间的 domain gap，保留原始图像语义的同时应用风格调整。为确保编辑的一致性，我们引入了训练正则化损失，并通过优化 null-conditional embeddings 来增强 DDIM inversion 以实现真实图像编辑。我们通过学习来自风格筛选合成数据集的数据，验证了我们的方法，该数据集涵盖各种风格属性，包括轮廓、局部对比度、水彩化效果和几何图案。我们的评估表明，与当前基于文本的编辑技术相比，我们的方法提供了更集成、更精确和可持续调节的风格修改。
引用
@article{arxiv.2605.02583,
title = {Stylistic Attribute Control in Latent Diffusion Models},
author = {Max Reimann and Benito Buchheim and Jürgen Döllner},
journal= {arXiv preprint arXiv:2605.02583},
year = {2026}
}