面向身份保持的无训练风格化图像生成的扩散框架
计算机视觉与模式识别
2025-09-30 v2
摘要
尽管扩散模型已显示出卓越的生成能力，但现有的风格迁移技术在实现高质量风格化的同时往往难以保持身份特征。这在实际应用中尤为关键，例如在广告和营销领域，保持特写对象身份特征对于活动效果至关重要。当主体远离相机或出现在人群中时，身份特征的丢失会显著加剧。为此，我们引入一种新型、无训练的框架，用于身份保持的风格化图像合成。我们的关键贡献包括“Mosaic Restored Content Image”技术，显著提升了复杂场景中的身份保留；以及无训练的内容一致性损失，通过更大程度地关注原始图像来改进细粒度细节的保留。在我们的实验中，所提出的方法在不仅保持高风格保真度的同时，还显著提升了身份完整性，无需模型的再训练或微调。
引用
@article{arxiv.2506.06802,
title = {Training-Free Diffusion Framework for Stylized Image Generation with Identity Preservation},
author = {Mohammad Ali Rezaei and Helia Hajikazem and Saeed Khanehgir and Mahdi Javanmardi},
journal= {arXiv preprint arXiv:2506.06802},
year = {2025}
}