Dec, 2018

基于风格化与去风格化的文本效果转换

HTML
PDF
TL;DR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。
发现论文，激发创造
  • 文本风格转换：探索与评估

    本文提出使用对抗网络以学习分离内容表示和风格表示的方法来解决自然语言处理中的样式转移问题，并提出了新的评估指标来测量样式转移的转移强度和内容保留。作者在文章-新闻标题转移和正面-负面评论转移两个任务上评估了模型和指标，结果表明，所提出的模型的样式转移强度和内容保留得分比自动编码器更高，内容保留度指标与人类判断高度相关。

    Nov, 2017

  • Few-Shot字体风格转移的多内容GAN

    本文提出了一种针对高度风格化文字的部分观测并推广未观测字形的挑战，即通过以通道为内容、以网络层为风格的端到端堆叠有条件 GAN 模型生成一组遵循一致风格的多内容图像。该网络可以捕获真实世界中的高度风格化字体，并通过少量的已观察字形实现有效的推广。

    Dec, 2017

  • 基于多领域艺术图像的任意风格转移学习

    我们提出了一个快速前馈网络，使用深度特征和纹理统计来表示内容和风格，并使用对抗网络来规范画风生成，包括条件生成器和条件鉴别器，并使用遮罩模块来空间控制风格化级别和稳定对抗训练，在定性和定量实验中与相关工作进行比较。

    May, 2018

  • Gated-GAN：用于多集合风格转移的对抗门控网络

    本文提出了一种名为Gated GAN的多样式图像合成模型，该模型结合了编码器，门控变换器和解码器三个部分，可以实现在一个模型中转换多种样式的输入图像，同时通过辅助分类器识别样式类别，以稳定训练并提高合成图像质量。

    Apr, 2019

  • 通过形状匹配GAN实现可控艺术文本风格转移

    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

  • StyleCLIP: 基于文本的 StyleGAN 图像操作

    本文探讨了如何利用 Contrastive Language-Image Pre-training (CLIP) 模型，开发基于文本的 StyleGAN 图像操作界面。新方法不需要人工干预，通过文本提示即可对输入的潜在向量进行修改，并引入了潜在映射器，提高了文本驱动的操作效率。实验表明该方法非常有效。

    Mar, 2021

  • StyleGAN-T: 用于快速大规模文本到图像合成的GAN强化技术

    该论文旨在使用生成对抗网络改进大规模文本到图像合成，提出了StyleGAN-T模型，它在大规模文本到图像合成中具有大容量、稳定的训练、强文本对齐和可控变化与文本对齐平衡等特点，并在样本质量和速度方面显著优于以前的生成对抗网络和蒸馏扩散模型。

    Jan, 2023

  • MSSRNet: 基于顺序风格表示的无监督文本风格转换

    该研究提出了一种通过为每个单词分配个体风格向量来进行细粒度控制和操作的无监督文本风格转移方法，并引入了一种教师-学生学习集成的对抗训练框架以提高训练稳定性和降低高维优化的复杂性，实验结果表明其在两种和多种风格转移中具有明显改进的风格转移准确性和内容保留。

    Jun, 2023

  • 样式生成：基于粗略匹配的图像合成

    使用粗略匹配的文本作为引导，本研究介绍了一种新颖的基于文本的风格生成方法，通过两阶段的生成对抗网络生成与细化图像风格，并通过实验证实了该方法的有效性和实际应用价值。

    Sep, 2023

  • TextMastero：掌握多语言和多样式的高质量场景文本编辑

    本研究解决了现有场景文本编辑技术在复杂背景和非拉丁字符文本样式处理中的不足，尤其是在中文、日文和韩文字符的准确生成上。提出的TextMastero架构基于潜在扩散模型，引入了精细内容控制的字形条件模块和全面风格信息的潜在引导模块，显著提升了文本忠实度和风格相似性，是对现有技术的一次重要突破。

    Aug, 2024