Nov, 2018

使用生成对抗网络完成字体生成

PDF
TL;DR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。
typeface completion networkmorphological variationsimage-to-image translationchinese charactersmodel parameters
发现论文，激发创造
  • 中文排版转换

    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

  • 协作笔画精化的手写中文字体生成

    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

  • 通过多模态表示循环实现字体的创作与操作

    本研究提出一种基于图形对象生成字体图形的方法，通过跨模态的循环图像生成模型结构实现，其中包含图形构造器。该方法可以更好地捕捉字体风格的内部图形属性，并提供直观的用户界面进行本地编辑和操作。

    Aug, 2021

  • GAS-NeXt: 少样本跨语言字体生成器

    本文介绍了一种名为 GAS-NeXt 的新型深度学习方法，利用替代原始编码器和解码器的想法，并利用 AGIS-Net 的形状、纹理和本地判别器，结合 Font Translator GAN 的层次注意力和上下文感知注意力实现跨语言生成字体。在英文到中文的字体转换实验中，GAS-NeXt 相比 Font Translator GAN 的表现更好。同时作者还在多种语言和数据集上验证了他们的方法。

    Dec, 2022

  • 基于自编码器引导的 GAN 技术实现中国书法合成

    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

  • 基于序列条件的手写文本图像对抗生成

    该研究提出了一种基于生成对抗网络的系统，可以合成手写单词的合成图像，并在将其与现有训练数据集集成后通过改进通用 GAN 体系结构进行离线手写文本识别。

    Mar, 2019

  • DeepCalliFont：融合双模态生成模型的少样本中文书法字体合成

    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

  • 基于深度生成对抗网络的机器书法风格生成

    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

  • 高效可扩展的中文字形矢量生成通过组件合成

    通过组件组合，提出了一种高效且可扩展的中文向量字体生成方法。该方法通过学习组件的仿射变换并应用于贝塞尔曲线，能够生成大规模复杂的中文字符，在字体生成和零样式字体扩展方面显著优于现有的方法。

    Apr, 2024

  • 利用 CycleGAN 生成手写汉字

    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