利用 CycleGAN 生成手写汉字
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
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
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
使用改进的 DCGAN 架构和强化学习技术,本文提出一种智能系统,旨在学习实体的手写字体,可以用于鉴别伪造文件、签名验证、计算机生成艺术和文件数字化等领域。初步实现结果表明,该算法在 MNIST 数据集上表现优异。
Nov, 2016
本文提出一种基于 DDPM 模型从字体库生成手写汉字样本的方法,通过将新类别的 DDPM 合成样本与其他类别的真实样本相结合,提出了一种支持完整字符集的 HCCR 系统,实验结果表明,合成的样本在识别准确率上与真实样本具有相似的性能。
May, 2023
我们提出了 MetaScript,这是一个新颖的中文内容生成系统,旨在解决个人手写风格在中文字符的数字表示中逐渐消失的问题。我们的方法利用少样本学习的能力,生成既保留个人独特的手写风格又保持数字输入效率的中文字符。MetaScript 在多种手写风格的多样数据集上进行训练,能够从最少的风格参考和标准字体中产生高质量的风格模仿。我们的工作为数字排版中保留书写交流中的个人特色提供了实用解决方案,特别是在中文书写环境中。值得注意的是,我们的系统在各种评估中表现出卓越的性能,包括识别准确率、初始分数和 Frechet 初始距离。同时,我们模型的训练条件易于满足,并有利于在实际应用中实现泛化。
Dec, 2023