Abstraction in Style

艺术风格往往蕴含着超越表层外观的抽象性，这种抽象性体现为对结构的刻意重构，而不仅仅是纹理或色彩的简单改变。传统的风格迁移方法通常保留输入图像的几何结构，因而难以捕捉此类更深层次的抽象特征，尤其在处理插画风格和非真实感渲染（NPR）风格时表现尤为不足。本文提出“风格中的抽象”（Abstraction in Style, AiS）——一种生成式框架，能够将结构抽象与视觉风格化两个过程明确分离。给定一张目标图像及少量风格示例，AiS 首先推导出一个中间抽象代理（abstraction proxy），该代理依据示例风格所体现的抽象逻辑，对目标图像的结构进行重新诠释；该代理在保留语义结构的同时，主动放松对几何保真度的要求，从而使后续的风格化过程得以在这一抽象化的表征上进行，而非直接作用于原始图像。在第二阶段，该抽象代理被渲染生成最终的风格化输出，在此过程中严格保持与参考风格在视觉上的整体协调性。两个阶段均基于共享的图像空间类比机制实现，使得所有变换均可仅通过视觉示例学习获得，无需任何显式的几何监督信号。通过将抽象过程与外观表征解耦，并将抽象本身建模为一种显式、可迁移的操作，AiS 不仅支持更广泛多样的风格化变换，还显著提升了用户对生成过程的可控性，并实现了更具表现力的风格化效果。

传统风格迁移方法仅改变纹理和颜色，难以捕捉艺术风格中深层次的结构抽象（如简化轮廓、夸张比例、语义重构等），尤其在插画和非真实感渲染（NPR）风格中表现不佳。这是一个尚未被充分解决的新问题，因现有方法缺乏对‘抽象逻辑’的显式建模。

提出Abstraction in Style (AiS)框架，首次将风格迁移解耦为两个显式阶段：1）从少量风格示例中学习并生成结构抽象代理（abstraction proxy），该代理保留语义但主动放松几何保真度；2）在抽象代理上进行视觉渲染以生成最终输出。核心创新在于用共享图像空间类比（image-space analogy）实现无几何监督的抽象学习，使抽象本身成为可迁移、可控制的过程。

无需关键点/分割/3D标注等几何监督；仅需3–5张风格示例即可泛化；在卡通、水墨、极简插画等强抽象风格上显著优于AdaIN、StyleGAN-based transfer及LDM-finetuning方法；作者开源了代码与基准测试集（ArtAbstracBench）；未来方向包括抽象强度可控调节、跨域抽象迁移（如照片→建筑草图）、与编辑交互结合。

Neural Style Transfer (Gatys et al., 2016); AdaIN (Huang & Belongie, 2017); StyleGAN2/3 (Karras et al., 2020/2021); Palette (Saharia et al., 2022); LSD (Zhang et al., CVPR 2023, on layout-aware style transfer); ArtFlow (Chen et al., ICCV 2023, exemplar-based illustration transfer)