Yapay zeka alanında stil transferi teknolojisi önemli bir ilerleme kaydetti. Araştırmacılar, görüntülerin stilini değiştirirken içeriklerini koruma konusunda yaşanan temel sorunları çözen UniCSG adlı yeni bir sistem geliştirdi.
Mevcut diffusion tabanlı modellerin en büyük sorunu, içerik ve stil bilgilerinin birbirine karışması olarak öne çıkıyor. Bu durum, referans görüntüdeki istenmeyen öğelerin hedef görüntüye sızması ve tutarsız sonuçlar üretilmesi anlamına geliyor. Örneğin, bir manzara fotoğrafının resmî stile dönüştürülmesi sırasında, orijinal fotoğraftaki istenmeyen detaylar da aktarılabiliyor.
UniCSG sistemi, bu problemi iki aşamalı eğitim yaklaşımıyla çözüyor. İlk aşamada, düşük frekanslı ön işleme ve koşullu bozma teknikleri kullanarak içerik ile stil bilgilerinin ayrıştırılması sağlanıyor. İkinci aşamada ise, çok ölçekli frekans denetimi ile detaylar iyileştiriliyor.
Sistem ayrıca piksel düzeyinde ödül öğrenmesi tekniğini kullanarak, latent uzaydaki hedefleri çözümleme sonrası algısal kaliteyle uyumlu hale getiriyor. Deneysel çalışmalar, yeni yaklaşımın hem metin yönlendirmeli hem de referans yönlendirmeli ayarlarda içerik sadakatini, stil uyumunu ve sağlamlığını artırdığını gösteriyor.
Bu gelişme, dijital sanat üretimi, tasarım uygulamaları ve yaratıcı içerik geliştirme araçlarında önemli iyileştirmeler sağlayabilir.