Apr, 2021

多个头胜过一个：多个本地化专家进行少样本字体生成

PDF
TL;DR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。
few-shot font generationdiverse local stylesmultiple localized experts few-shot font generation networkcomponent labelscontent-style disentanglement
发现论文，激发创造
  • 通过学习细粒度本地风格进行少样本字体生成

    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

  • 弱监督定位表示的少样本字体生成

    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

  • 局部风格表示和分解的小样本字体生成

    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

  • 基于相似性引导的全局样式转移与局部样式量化的少样本字体生成

    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

  • XMP-Font: 自监督跨模态预训练 Few-shot 字体生成

    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

  • 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

  • 通过基于组件的鉴别器更好地监督单次字体生成

    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。

    Apr, 2022

  • 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

  • 双重记忆的少样本组合字体生成

    本文提出了一种名为 “DM-Font” 的字体生成框架，以利用构成式脚本的组合特性来生成高质量字体库，并结合记忆组件和全局上下文意识，从而使我们能够用少量样本生成高质量样本。 在韩文手写字体和泰文打印字体的实验中，我们观察到我们的方法在样式化方面比现有技术有显著的优势。

    May, 2020

  • CF-Font：少样本字体生成的内容融合方法

    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