中文排版转换
本文提出了一种字体自动完成网络(TCN),它使用样本字符完成所有字体字符,并通过合并重构和其他各种损失函数,克服了中文等形态变化较多的语言难以保持各个字符风格一致的困难,并且相对于先前的图像转换模型,使用更少的模型参数生成了同一字体的高质量字符图像。
Nov, 2018
本文提出了一种基于深度神经网络的模型,将标准字体图像直接生成书法风格的图像,并构建了包含各种书法风格的大规模基准数据集。实验结果表明,该方法的效果优于其它基线方法。
Jun, 2017
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
本文提出了一种名为全卷积循环网络 (FCRN) 的端到端框架用于手写汉字文本识别。FCRN 基于在线文本数据进行训练,不像传统方法依赖于分割,它学习将笔尖轨迹与字符序列关联起来。本文还提出了一种优化的波束搜索方法,有效地集成语言模型来解码 FCRN 并显著提高识别结果。在 CASIA-OLHWDB 和 ICDAR 2013 数据集上进行测试,分别获得 96.40% 和 95.00% 的正确率。
Apr, 2016
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
本文提出了 Calliffusion 系统,采用扩散模型生成高质量的中文书法,实现了五种不同字形和著名书法家风格模拟,实验证明,模型生成的书法难以与真实艺术品区分,并使用 LoRA 进行单张迁移学习,将中文书法艺术风格转移到未知字符、甚至英文字母和数字。
May, 2023
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。
Dec, 2023
通过引入 W-Net 模型,本文提出了一种高效和广义的深度框架,可用于一次过任意风格的汉字生成任务。实验结果表明,该方法在一次生成的设置下明显优于其他竞争方法。
Jun, 2024
本研究旨在解决 OCR 字符分割在多语言多样性的问题上,尤其关注中英文混合场景,通过全卷积网络架构进行语义分割,能够利用水平轴周围的上下文确定分割点,从而在合成样本与真实世界样本中实现更优的效果。
Nov, 2016
使用少量样式化示例合成具有一致风格的中文字符具有挑战性。本文提出了一种名为广义 W-Net 的新型 W 形结构类别,通过整合自适应实例归一化和引入多内容,在有限示例下可以合成任意风格的中文字符。该方法能够处理训练期间已见和未见的风格,并能生成新的字符内容。实验结果验证了我们方法的有效性。
Jun, 2024