CVPRApr, 2022

内容感知布局推断的美学文本标志合成

PDF
TL;DR本文介绍了一种基于内容感知布局生成网络的方法，将字形图像和对应文本作为输入，自动生成美观的排版布局。在设计中融合了语言学和视觉语义信息，同时训练和评估了文本 Logo3K 数据集，验证了其在合成视觉上令人愉悦的文本 Logo 方面的优越性。
text logo designlayout generationcontent-awaredatasetvisual semantics
发现论文，激发创造
  • 面向视觉文本呈现设计的组合感知图形布局生成对抗网络

    本文提出了一种基于图像元素的深度生成模型 CGL-GAN，并设计了域对齐模块 DAM 来缩小训练和测试输入之间的差距，进而生成符合美感直觉的高质量图形布局。

    Apr, 2022

  • 层次化文本图像合成的语义布局推断

    本文提出一种新的基于语义布局的文本到图像的分层方法，通过语义布局生成器和图像生成器将生成过程分解为多个步骤完成，能够提高图像质量和与输入文本的语义对齐性。

    Jan, 2018

  • 推导出您的布局：从大型语言模型中归纳出用于文本到图像合成的布局模式

    利用大型语言模型作为布局生成器，改进了文本到图像生成模型，通过生成合理的对象布局来增强图像的构图和空间准确性，从而提高了图像质量。

    Nov, 2023

  • LTOS: 布局可控的文本对象合成通过自适应交叉关注融合

    通过将文本渲染和布局到图像生成任务融合为一个任务，本文提出了一种布局可控的文本 - 对象综合 (LTOS) 任务，旨在根据预定义的对象布局和文本内容合成具有对象和视觉文本的图像。

    Apr, 2024

  • 基于内容感知的视觉 - 文字展示布局的新基准与方法 --《海报布局

    本文旨在研究如何通过条件生成对抗网络来实现内容感知的视觉文字呈现布局，为自动无模板创意图形设计提供关键支持。通过设计一个名为 PosterLayout 的新数据集，并借助设计顺序形成技术，提出一种可生成适当布局的 CNN-LSTM 基于条件生成对抗网络，该方法在多个方面均取得了最佳性能。

    Mar, 2023

  • LayoutLLM-T2I: 从 LLM 中引导布局为文本到图像生成

    本研究提出了一种从文本提示中合成与之语义对齐的高保真度图像的方法，采用了粗到细的范式来实现布局规划和图像生成，并通过粒度不同的目标交互扩散方法以优于现有方法的方式生成布局和图像。

    Aug, 2023

  • 样式生成：基于粗略匹配的图像合成

    使用粗略匹配的文本作为引导，本研究介绍了一种新颖的基于文本的风格生成方法，通过两阶段的生成对抗网络生成与细化图像风格，并通过实验证实了该方法的有效性和实际应用价值。

    Sep, 2023

  • 统计学基础下的文本效果转移

    本文研究探讨了在字体设计中生成出色特效的问题，并提出了一种基于空间分布统计分析的自适应多尺度纹理合成算法，通过软约束实现对样例全局空间分布和局部纹理图案的逐层合成，使样例的艺术字体与本地纹理和全局形态之间的匹配更加自然，相较于传统样式转移方法，本方法在各种文本效果上表现出更高的优越性。

    Nov, 2016

  • 逼真图像合成用于准确识别场景中的文本

    通过语义一致性合成、视觉显著性确定和自适应文本外观模型等三个创新设计，提出了一种新的图像合成技术，用于生成大量标注数据，以用于训练准确和稳健的场景文本检测和识别模型。五个公共数据集的实验证明了该技术在训练精确和稳健的场景文本检测和识别模型方面的卓越性能。

    Jul, 2018

  • 学习生成语义布局以实现文本到图像综合中更高的文本 - 图像对应性

    通过利用可用的语义布局，我们提出了一种增强文本 - 图像对应关系的新方法。具体而言，我们提出了一种高斯 - 分类扩散过程，同时生成图像和相应的布局对。我们的实验证明，通过训练模型为每个像素生成语义标签，我们可以引导文本 - 图像生成模型意识到不同图像区域的语义，从而达到比现有方法更高的文本 - 图像对应关系。

    Aug, 2023