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
该论文提出了一种名为金字塔嵌入生成对抗网络（PEGAN）的方法，使用像素损失、发生器损失、类别损失和感知损失来训练生成器和判别器模型以自动生成汉字图像。实验结果表明该模型可以自动扩展小型字库。
Nov, 2018
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
本论文提出了StrokeGAN算法，通过使用一位笔画编码和笔画编码重建损失函数来避免CycleGAN模型的模式崩溃问题，并在九个不同的字体数据集上展示了StrokeGAN相对于现有方法在字符生成方面的显着优势.
Dec, 2020
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
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
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。
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
本研究解决了现有生成字体方法缺乏细节生成能力的问题，通过提出GRIF-DM，一种基于扩散模型的新方法，结合了字母特征和印象关键词的处理。实验结果表明，该方法能够生成真实、鲜活且高保真的字体，满足用户多样化的设计需求，具有潜在的变革性影响。
Aug, 2024