提出了一种新的神经网络结构来解决单张图像类比的问题，我们的网络是一个修改后的变分自编码器（VAE），支持有监督的训练和结构相似性目标的输出评估，通过对于 62 个字体从单个样例字母的生成展示出比现有技术更优异的结果。

Mar, 2016

我们提出了一种配对图像重建方法，用于内容保留，通过引入图像转换模块到生成对抗网络转换过程中，在少样本设置中，定性和定量实验证明我们的方法始终优于现有方法。

Nov, 2023

我们提出了一种新颖的方法来将文本图像的内容与其外观的所有方面分离开来，然后将所得到的外观表示应用于新的内容，以将源样式一次性转移给新的内容。我们通过自监督学习的方式学习了这种分离过程。我们的方法可以处理整个字块，无需将文本从背景分割开，也不需要按字符处理或对字符串长度进行假设。我们在不同的文本领域展示了结果，这些结果以前需要使用专门的方法，例如场景文本、手写文本。

Jun, 2021

本文介绍了一种基于双向形状匹配框架的文本风格转移网络，该网络允许通过可调参数对字形的关键风格程度进行实时控制，这种方法能够持续表征样式图像的多尺度形状特征并将这些特征传递到目标文本中，有效地解决了文本风格转移中控制样式形变的问题，达到了比先前技术更好的效果。

May, 2019

该研究提出了一种自我监督的跨模态预训练策略和基于跨模态 Transformer 的编码器，用于少样本字体生成，并成功实现了各种规模风格的转移，只需要一个参考字形且错误率最低。

Apr, 2022

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

本文中，我们提出使用深度神经特征的强大表达能力来进行文本效果传输，为此，我们提出了一种全新的纹理效果传输 GAN（TET-GAN），该网络包括一个风格化子网络和一个去风格化子网络，以此来训练我们的网络以完成风格转移和风格去除等目标，从而使其能够学习解除和重新组合文本效果图像的内容和风格特征，我们提供了一个新的文本效果数据集，并展示了该方法在生成高质量的风格化文本方面的优越性。

Dec, 2018

本研究提出了一种基于 Transformer 模型生成手写文本，并将文本表示为密集向量序列的方法，其可用于生成含有少量样本的手写文本，使得即使在训练期间很少看到的字符也能够从它们的视觉原型中生成。

Mar, 2023

我们提出了一个用深度生成模型进行无监督文本风格转换的通用框架，该框架利用观察数据中的依赖关系学习内容和风格的潜在代码，并通过操纵这些代码来转换句子。实验结果表明，与几个强基准方法相比，我们的方法在自动评估和人工评估中取得了更好或具有竞争力的结果。

Aug, 2023

本文提出了一种基于学习参考字形细粒度局部风格和内容与参考字形间的空间对应关系的方式生成新字体的方法，并采用交叉注意力机制将参考字形风格聚合成更细粒度的表示，实验证明这种方法在少量样本下生成的字体质量和风格一致性均优于现有的方法。

May, 2022