テキスト駆動のスタイル変換は、画像合成分野における重要な課題であり、参照画像のスタイルと、テキストプロンプトで記述された内容を融合させることを目的としています。 近年、テキストツーイメージ生成モデルは著しい進歩を遂げ、より精緻なスタイル変換を実現しつつ、コンテンツの高忠実度を維持できるようになりました。この技術は、デジタルペイント、広告、ゲームデザインなどの分野で大きな実用価値を有しています。しかしながら、既存のスタイル変換技術にはいくつかの課題が残っており、主な課題としては、スタイルの過剰適合が挙げられます。既存のモデルは、参照画像のすべての要素を複製する傾向があります。