学习排版风格
认知类型项目致力于开发计算工具，以使得设计字体具有不同的认知特性，以提高在线广告的点击率，改善儿童书籍的阅读水平，允许识字困难者创建个性化字体，并提供关于人们对文本内容反应的见解。
Mar, 2024
本文旨在学习字体的视觉属性和它们所应用的文本的语境之间的关联，并引入一个包含社交媒体帖子和广告中不同主题示例的新数据集，通过众包标注，通过研究不同的端到端模型来学习众包数据上的标签分布并捕捉所有注释之间的主观性。
May, 2020
研究探讨了世界上不同的字体风格和它们对阅读体验和印象的影响，同时借助大规模数据集，分析字体风格的选择与上下文因素，如周围对象和单词意义的关系，从而发现了特定字体风格在特定上下文因素下的使用实例。
Jun, 2023
本文考虑对给定的图形文档进行生成多样的排版风格的排版生成任务，并将其形式化为针对多个文本元素的细粒度特征生成，建立自回归模型以生成与输入设计背景相匹配的多样排版风格。此外，我们提出了一种简单而有效的采样方法，以尊重排版的一致性和差异性原则，使生成样本在文本元素之间共享一致的排版风格。我们的实证研究表明，我们的模型成功生成多样的排版设计，同时保持了一致的排版结构。
Sep, 2023
本文研究探讨了在字体设计中生成出色特效的问题，并提出了一种基于空间分布统计分析的自适应多尺度纹理合成算法，通过软约束实现对样例全局空间分布和局部纹理图案的逐层合成，使样例的艺术字体与本地纹理和全局形态之间的匹配更加自然，相较于传统样式转移方法，本方法在各种文本效果上表现出更高的优越性。
Nov, 2016
提出了一种新的基于深度学习的中文字体转换网络，该网络结构由两个子网络组成：一个全卷积网络转换指定的字体样式以保留结构信息，一个对抗网络生成更逼真的笔画细节，并克服了先前一些复杂的中文部件分割模型的问题，该模型将每个汉字视为一个不可分割的图像，采用端到端训练的方式，无需预处理或后处理。实验证明该模型可以在印刷体和手写体样式上从任何源字体合成逼真的目标字体。
Jul, 2017
本文提出了一种基于标签的大规模字体检索方法，通过构建包含近 20,000 字体、2,000 标签和数十万个字体 - 标签关系的数据集，设计了一种新型的生成特征学习算法，结合注意机制和识别 - 检索模型，有效提升了字体检索的性能。
Sep, 2019
本研究提出了一个深度解释性的概率生成模型来分析印刷的早期现代文献中的字形。该模型引入神经网络来聚类提取的字形图像，以发现混杂多变的潜在模板。实验结果表明，我们的方法在无监督情况下发现文献中的字体，准确率优于刚性解释聚类和过度弹性的深度生成模型。
May, 2020
该论文提出了一种基于注意机制的方法来找出重要的局部部分，然后利用所得到的注意力来生成具有更准确风格实现的字符图像。通过实验证明，所提出的重构损失函数可以通过几个少样本字体生成模型提高生成字符图像的质量。
Oct, 2023