提出了一种基于深度生成模型的排版分析和字体重构方法,通过分离字体样式和字符形状,可以大规模增加有效建模字符类型的数量。
Sep, 2021
本论文提出了一种新的字体生成方法,通过学习本地化风格,即组件式风格表示,而不是通用风格来合成复杂的文本细节,从而产生出了非常好的结果。
Sep, 2020
本研究提出了一个深度解释性的概率生成模型来分析印刷的早期现代文献中的字形。该模型引入神经网络来聚类提取的字形图像,以发现混杂多变的潜在模板。实验结果表明,我们的方法在无监督情况下发现文献中的字体,准确率优于刚性解释聚类和过度弹性的深度生成模型。
May, 2020
本研究提出了一个用于图像中字体识别、字体推荐、字体相似度等任务的深度学习模型 DeepFont,并使用卷积神经网络、模型压缩等技术对该模型进行优化。实验证明,该模型在我们的数据集中平均精度高于 80%,同时模型大小得到约 6 倍的压缩,而且在字体选择和建议中可产生较好的字体相似度度量。
Jul, 2015
该研究利用生成模型建立向量图形的连续生成模型,从而刻画字体绘制过程,提供了一种可操作的样式传播方法,有望成为平面设计师进行字体设计的工具。
Apr, 2019
研究探讨了世界上不同的字体风格和它们对阅读体验和印象的影响,同时借助大规模数据集,分析字体风格的选择与上下文因素,如周围对象和单词意义的关系,从而发现了特定字体风格在特定上下文因素下的使用实例。
Jun, 2023
本文提出了一种基于标签的大规模字体检索方法,通过构建包含近 20,000 字体、2,000 标签和数十万个字体 - 标签关系的数据集,设计了一种新型的生成特征学习算法,结合注意机制和识别 - 检索模型,有效提升了字体检索的性能。
Sep, 2019
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
本文介绍了一种基于注意力生成字形和可训练字体嵌入的方法,用于解决字体风格差异和排版不规则性在场景文本识别中带来的挑战,并通过实验证明了该方法的优越性。
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