CVPRMar, 2023

手写生成中的笔迹风格与字体风格的分离

PDF
TL;DR该论文提出了一种基于机器学习的方法，使用 style-disentangled Transformer（SDT）来从个体手写的字符中解离出不同层次（字与人）的风格，并生成逼真的个性化手写字符。
machine learninghandwriting synthesisstylized charactersstyle-disentangled transformerwriter- and character-level style extraction
发现论文，激发创造
  • 通过解耦的样式描述符生成手写体

    介绍了 Decoupled Style Descriptor (DSD) 模型，该模型通过因式分解字和笔画风格来提高手写生成的质量和灵活性。在实验中，该模型生成的结果相较于基线方法更受欢迎，并能够很好地完成单样本的作者识别任务。

    Aug, 2020

  • 手写变形器

    我们提出了一种新型的基于 Transformer 的手写文本样式图像生成方法，旨在学习样式 - 内容的缠结以及全局和局部写作风格模式。通过自注意机制，所提出的 HWT 捕捉了样式示例中的长距离和短距离关系，从而编码了全局和局部样式模式。此外，所提出的基于 Transformer 的 HWT 包括编码器 - 解码器注意力，通过聚集每个查询字符的样式表示来实现样式 - 内容缠结。

    Apr, 2021

  • 基于视觉原型的手写文本生成

    本研究提出了一种基于 Transformer 模型生成手写文本，并将文本表示为密集向量序列的方法，其可用于生成含有少量样本的手写文本，使得即使在训练期间很少看到的字符也能够从它们的视觉原型中生成。

    Mar, 2023

  • Style Transformer: 无需分解潜变量的非配对文本风格转移

    本文提出 Style Transformer，它结合了注意力机制和变形器模型，可以更好地处理文本风格转移和内容保存的问题。

    May, 2019

  • 基于层次化风格解缠的图像到图像翻译

    本文提出了一种基于层次结构标签组织的图像翻译方法，称为 HiSD。该方法在多标签和多风格图像翻译过程中解决了现有方法中的不可控问题，并在 CelebA-HQ 数据集上取得了良好结果。

    Mar, 2021

  • 通过阅读少量样例来学习书写风格化的中文字符

    本文提出了一种名为 SA-VAE 的新型框架，用于弹性生成具有不同风格的汉字。通过将潜在特征分离为内容相关和风格相关组件，成功地学习了新风格汉字的写作，并通过在实际应用中融合不同内容和风格的特征向量生成了不同的汉字。

    Dec, 2017

  • ALADIN-NST: 基于神经风格转换的自监督解缕编码学习艺术风格

    我们的论文旨在学习一种视觉艺术风格的表示形式，该表示形式从语义内容中更强的解离出来，我们使用神经风格转换（NST）来测量和驱动学习信号，并在明确解离度量上实现了最先进的表示学习。我们表明，强调风格和内容的解离会在风格特定度量方面取得大量收益，编码较少的语义信息并在下游多模态应用中实现最先进的准确性。

    Apr, 2023

  • 字体图像完全解耦为风格与字符类特征

    本文介绍一种全面解缠字体图像的方法，通过神经网络将每个字体图像非线性、完全地分解为其样式和内容（即字符类）特征，实验证明这种解缠方法能够高精度地实现，适用于字体识别、字符识别和一次性字体图像生成等多种任务。

    Mar, 2024

  • 用于合成至真实手写单词识别的无监督适应

    本文提出一种无监督的写手适应方法，使用合成字体完全训练出的识别器自动适应新的入职写手，从而提供了一种实用且通用的方法来处理新的文档收集，而不需要任何昂贵和繁琐的手动注释步骤。

    Sep, 2019

  • MetaHTR：面向作者自适应的手写文本识别

    本文提出了一种新颖的元学习框架，该框架可以在推理过程中通过支持集合利用额外的新作者数据并通过单个梯度步更新输出作者自适应模型，这个模型可以在最先进的 HTR 模型之上轻松实现，并且可以在极少的新风格数据下实现平均 5-7% 的性能提升。

    Apr, 2021