Towards Highly Realistic Artistic Style Transfer via Stable Diffusion with Step-aware and Layer-aware Prompt

要約

芸術的スタイルの転送は、学習した芸術的スタイルを任意のコンテンツ画像に転送し、芸術的に様式化された画像を生成することを目的としています。
既存の敵対的生成ネットワークベースの手法では、非常に現実的な様式化された画像を生成できず、常に明らかなアーティファクトや不調和なパターンが発生します。
最近、大規模な事前トレーニング済み拡散モデルにより、非常にリアルで芸術的な様式化された画像を生成する新しい方法が開かれました。
ただし、拡散モデルベースの方法は一般に、入力コンテンツ画像のコンテンツ構造を適切に保存できず、望ましくないコンテンツ構造やスタイル パターンが発生します。
上記の問題に対処するために、我々は、LSASTと呼ばれる新しい事前訓練された拡散ベースの芸術的スタイル転送方法を提案する。これは、明らかなアーティファクトや不調和なスタイルをもたらすことなく、入力コンテンツ画像のコンテンツ構造を適切に維持しながら、非常に現実的な芸術的様式化された画像を生成できる。
パターン。
具体的には、学習可能なプロンプトのセットであるステップ対応およびレイヤー対応のプロンプト スペースを導入します。これは、アートワークのコレクションからスタイル情報を学習し、入力画像のコンテンツ構造とスタイル パターンを動的に調整できます。
プロンプト スペースをトレーニングするために、ステップウェアおよびレイヤーを意識したプロンプト反転と呼ばれる新しい反転方法を提案します。これにより、プロンプト スペースがアートワーク コレクションのスタイル情報を学習できるようになります。
さらに、事前にトレーニングされた ControlNet の条件分岐を LSAST に挿入し、フレームワークのコンテンツ構造を維持する能力をさらに向上させました。
広範な実験により、私たちが提案した方法は、最先端の芸術的スタイルの転送方法よりも、より現実的な芸術的様式化された画像を生成できることが実証されました。

要約(オリジナル)

Artistic style transfer aims to transfer the learned artistic style onto an arbitrary content image, generating artistic stylized images. Existing generative adversarial network-based methods fail to generate highly realistic stylized images and always introduce obvious artifacts and disharmonious patterns. Recently, large-scale pre-trained diffusion models opened up a new way for generating highly realistic artistic stylized images. However, diffusion model-based methods generally fail to preserve the content structure of input content images well, introducing some undesired content structure and style patterns. To address the above problems, we propose a novel pre-trained diffusion-based artistic style transfer method, called LSAST, which can generate highly realistic artistic stylized images while preserving the content structure of input content images well, without bringing obvious artifacts and disharmonious style patterns. Specifically, we introduce a Step-aware and Layer-aware Prompt Space, a set of learnable prompts, which can learn the style information from the collection of artworks and dynamically adjusts the input images’ content structure and style pattern. To train our prompt space, we propose a novel inversion method, called Step-ware and Layer-aware Prompt Inversion, which allows the prompt space to learn the style information of the artworks collection. In addition, we inject a pre-trained conditional branch of ControlNet into our LSAST, which further improved our framework’s ability to maintain content structure. Extensive experiments demonstrate that our proposed method can generate more highly realistic artistic stylized images than the state-of-the-art artistic style transfer methods.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google