一种基于风格解耦扩散的无数据知识蒸馏方法

本发明提出了一种类内外解耦约束机制与跨类注意力扩散迁移技术相结合的DFKD新框架，旨在在完全无外部数据的条件下，同时实现合成样本的高质量风格多样化与语义内容一致性。具体而言，本发明的主要目的包括：通过设计类内–类间风格解缠约束损失，促使生成器在同一类别内实现不同风格样本的风格多样性增强，同时保证不同类别间风格特征的区分度；利用教师模型中跨层注意力特征，驱动扩散模型在多尺度上进行风格迁移，无需任何真实图像参考，即可灵活捕获色调、纹理、光照等多维度风格变化本方法在多个标准图像分类数据集上进行了广泛的实验，结果表明本方法达在数据集蒸馏领域达到了当前先进水平，并在各种数据集蒸馏方法中展现了卓越的收敛速度。