本文提出了一种新的字体生成方法，该方法通过学习局部风格表达，即以组件为基础的字体风格表达，而不是普适的字体风格表达。该方法在仅有 8 个参考字符的情况下，生成效果优于其他现有方法。同时，该方法未利用强的局部学习监管。
Dec, 2021
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
自动少样式字体生成方法通过聚合以字符相似度为导向的全局特征和样式化的组件级表示来生成新字体，并采用交互式注意力的样式迁移模块来捕捉局部样式，实现对全局字形特征的控制。
Sep, 2023
本论文提出一种名为 MX-Font 的新颖的 Few-shot 字体生成方法，使用多个专家提取多个特征来表示不同的本地概念，解决现有方法不能捕捉多样化当地的风格或不具有泛化到未知组件的字符的问题，这在中文和跨语言生成方面表现出色。
Apr, 2021
本文提出了一种深度分解模型，用于字体分析，能够将内容与样式区分开来，并成功实现了从未见过的字体的笔画重构。
Oct, 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
提出了一种基于 Component-Aware Module（CAM）和 CG-GAN 的字体生成新算法，指导相对简单的生成器实现更有效的监督，实现了分解内容和样式并在组件级别进行监督，成功应用于手写字生成和场景文本图像编辑并超越同类方法。
提出了一种基于 VQGAN 的框架（即 VQ-Font），通过令牌先验细化和结构感知增强来提高字形保真度，并利用汉字的内在设计重新校准基于参考的细粒度风格，从而增强生成字体的保真度和符合结构的风格匹配。实验证明，VQ-Font 在生成具有挑战性风格的字体方面，在数量和质量上均优于竞争方法。
Aug, 2023
本文提出了一种基于内容融合模块 (CFM)、迭代式风格向量细化策略 (ISR) 和概率分布的投影字符损失 (PCL) 等技术的，用于少样本字体生成的方法，同时该方法从理论和实验两个方面证明了优于现有的少样本字体生成方法。
Mar, 2023
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