AAAIDec, 2021

弱监督定位表示的少样本字体生成

PDF
TL;DR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。
few-shot font generationlocal style representationscomponent-wise styleproduct of component and style factorslocality supervision
发现论文，激发创造
  • 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

  • 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

  • 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

  • 多个头胜过一个：多个本地化专家进行少样本字体生成

    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

  • 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

  • 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

  • VQ-Font：结构感知增强和量化的小样本字体生成

    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

  • DeepCalliFont：融合双模态生成模型的少样本中文书法字体合成

    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

  • 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

  • 低资源语言的弱监督场景文本生成

    本文提出了一种基于弱监督学习的场景文本生成方法，通过跨语言生成，将场景文本图片的内容和样式特征分离，并引入整合式注意力模块和预先训练的字体分类器以保证生成图片的完整内容结构以及填补不同语言文本风格之间的差距，实验结果显示，该方法显著提高了场景文本识别精度。

    Jun, 2023