通过将中文字符的组件信息纳入到其模型中并使用改进的网络将字符转换为嵌入空间,从而提出了一种新的方法来多样化生成高质量的汉字。该方法在数量评估和人类主题研究方面优于现有技术。
May, 2020
通过集成双模式生成模型,使用图像生成和序列生成分支,并采用特征重组模块和光栅化损失函数,提出了一种新的模型 DeepCalliFont,用于少样本中文书法字体合成任务。与其他先进方法相比,我们的方法在少样本中文书法字体合成任务中具有更高的综合性能。
Dec, 2023
本文提出了一个简单但强大的端到端汉字书法字体生成框架 ZiGAN,它不需要任何手动操作或冗余预处理来生成细粒度的目标风格字符,实验表明,我们的方法在少数汉字风格转移中具有最先进的泛化能力。
Aug, 2021
本研究提出了一种基于深度生成对抗网络的自动书法生成模型,能够生成具有专业水准的风格书法字体。该模型使用高精度书法合成方法构建数据集,邀请专业书法家进行图灵测试以评估模型生成结果与人类艺术水平之间的差距,实验结果表明该模型是目前书法生成方法中的最佳效果。
采用 DenseNet CycleGAN 方法生成手写汉字,提出内容准确度和风格差异作为评估指标。
Jan, 2018
本文提出了一种基于 GAN 的图像翻译模型,该模型结合了骨骼信息,用于生成手写字体。实验结果表明,该模型的生成效果优秀。
Apr, 2022
本文提出了一种名为 SA-VAE 的新型框架,用于弹性生成具有不同风格的汉字。通过将潜在特征分离为内容相关和风格相关组件,成功地学习了新风格汉字的写作,并通过在实际应用中融合不同内容和风格的特征向量生成了不同的汉字。
Dec, 2017
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
该论文提出了一种名为金字塔嵌入生成对抗网络(PEGAN)的方法,使用像素损失、发生器损失、类别损失和感知损失来训练生成器和判别器模型以自动生成汉字图像。实验结果表明该模型可以自动扩展小型字库。
Nov, 2018
提出了一种使用基于卷积神经网络的模型生成中文手写字体的方法,该方法结合了协作训练策略、在线缩放增强以及自适应预变形技术,仅需要 750 个有配对的训练样本,无需预训练网络、额外的数据集资源或标签,并且在手写字体合成方面表现显著优于现有的方法。
Apr, 2019