Mezcla de Expertos en Estilo para la Estilización Diversa de Imágenes
Mixture of Style Experts for Diverse Image Stylization
March 17, 2026
Autores: Shihao Zhu, Ziheng Ouyang, Yijia Kang, Qilong Wang, Mi Zhou, Bo Li, Ming-Ming Cheng, Qibin Hou
cs.AI
Resumen
La estilización basada en difusión ha avanzado significativamente, sin embargo, los métodos existentes se limitan a transformaciones guiadas por el color, descuidando semánticas complejas y detalles materiales. Presentamos StyleExpert, un marco semántico-contextual basado en la Mezcla de Expertos (MoE). Nuestro marco emplea un codificador de estilo unificado, entrenado en nuestro conjunto de datos a gran escala de trillizos contenido-estilo-estilizado, para incorporar diversos estilos en un espacio latente consistente. Esta incrustación se utiliza luego para condicionar un mecanismo de compuerta sensible a la similitud, que enruta dinámicamente los estilos a expertos especializados dentro de la arquitectura MoE. Aprovechando esta arquitectura MoE, nuestro método maneja con destreza diversos estilos que abarcan múltiples niveles semánticos, desde texturas superficiales hasta semánticas profundas. Experimentos exhaustivos demuestran que StyleExpert supera a los enfoques existentes en la preservación de la semántica y los detalles materiales, al mismo tiempo que generaliza a estilos no vistos. Nuestro código e imágenes recopiladas están disponibles en la página del proyecto: https://hh-lg.github.io/StyleExpert-Page/.
English
Diffusion-based stylization has advanced significantly, yet existing methods are limited to color-driven transformations, neglecting complex semantics and material details.We introduce StyleExpert, a semantic-aware framework based on the Mixture of Experts (MoE). Our framework employs a unified style encoder, trained on our large-scale dataset of content-style-stylized triplets, to embed diverse styles into a consistent latent space. This embedding is then used to condition a similarity-aware gating mechanism, which dynamically routes styles to specialized experts within the MoE architecture. Leveraging this MoE architecture, our method adeptly handles diverse styles spanning multiple semantic levels, from shallow textures to deep semantics. Extensive experiments show that StyleExpert outperforms existing approaches in preserving semantics and material details, while generalizing to unseen styles. Our code and collected images are available at the project page: https://hh-lg.github.io/StyleExpert-Page/.