提出了 FontDiffuser，一种基于扩散的图像生成方法，通过将字体模仿任务创新地建模为一个噪声去噪范式，有效地组合了全局和局部内容线索以提高复杂字符的精细笔画保留，并通过引入一个精心设计的风格对比损失利用风格提取器解耦图像中的风格，以更好地处理风格转移中的大规模变化。与之前的方法相比，FontDiffuser 在生成多样字符和风格方面表现出卓越的性能，特别是在处理复杂字符和大的风格变化时。
Dec, 2023
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
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
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
该研究论文提出了一种名为 DF-GAN 的新型深度融合生成对抗网络，用于更加高效地合成与文本相匹配的高质量真实图片，并在广泛使用的数据集上取得更好的性能。
Aug, 2020
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
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
本文提出了一种基于 GAN 的图像翻译模型，该模型结合了骨骼信息，用于生成手写字体。实验结果表明，该模型的生成效果优秀。
Apr, 2022
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