研究了一种新的文体控制方法，使用现有的句子作为软模板，包括一种混合注意力 - 复制机制、弱监督学习及新的内容覆盖约束，结果表明该方法在餐馆和体育领域表现更好，在内容保真度和文体控制之间取得了较好的平衡。

Jan, 2019

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

本文提出了一个新的任务 —— 风格化故事生成，即在给定前导的情况下生成带有指定风格的故事，并提出了一种新颖的生成模型来解决这个问题，该模型首先规划出风格化关键词，然后在关键词的指导下生成整个故事。此外，提出了两种自动度量标准来评估所生成的故事与指定风格之间的一致性。实验证明，我们的模型能够根据 ROCStories 数据集（Mostafazadeh et al.，2016）可控地生成情感驱动或事件驱动的故事，为进一步研究风格化故事生成提供了见解。

May, 2021

本研究论文介绍了一种利用多个非同源语料库进行数据到文本和文本到数据转换的方法，通过引入具有分离风格和内容变量的 VAE 模型来解决单一来源语料库限制的问题，实现了相同甚至更好性能的数据转换。

Feb, 2023

本研究提出了一种基于迭代文本编辑的数据到文本生成新方法，使用两个先前训练模型 LaserTagger 和 GPT-2，并通过简单的启发式筛选和已训练语言模型对输出进行筛选和重新排序。

Nov, 2020

DataTuner 是一个神经网络端到端生成数据文本的系统，结合 fine-tuned 语言模型和语义保真分类器，仅需最少的数据特定启发式、实体去词法和后处理即可实现所有端到端学习，可以在多种数据集上取得最先进的结果并获得比传统启发式度量更好的语义保真度。

Apr, 2020

介绍了一种基于文本驱动的、部分定制的 3D 风格化的新方法 3DStyleGLIP，该方法利用 Grounded Language-Image Pre-training (GLIP) 模型的视觉 - 语言嵌入空间来定位 3D 模型的各个部分，并按照文本提示中指定的风格修改它们的颜色和局部几何形状，通过在 GLIP 的嵌入空间中使用部分级风格损失和两种补充学习技术，有效地训练了 3DStyleGLIP，实验证实了该方法在部分级别的风格化任务上取得了显著成果，显示出推动 3D 风格化领域发展的潜力。

Apr, 2024

本研究提出一种基于逆向对话模型和风格路由方法的对话生成技术，能够捕捉嵌入在不成对文本中的风格特征，产生既符合给定上下文又符合目标风格的对话回复，实验表明方法能够胜过竞争性对话系统在产生连贯、风格强烈的对话回复方面的表现。

Sep, 2020

本文对预训练语言模型和自回归预训练语言模型在 DART 数据集上的 D2T 任务表现进行实证研究，考虑了任务数据量的大小，以及零样本和少样本学习以及模型微调等方式，研究表明需要更多仔细手工策划的数据集来改善基于此的 D2T 生成任务。

May, 2022

本文提出一种新颖的文本生成 3D 模型方法（T2TD），通过引入相关形状或文本信息作为先验知识来提高 3D 模型生成模型的性能，并采用多层变压器结构逐步融合相关形状和文本信息，证明了该方法在 3D 模型生成质量上显着提高，且表现优于现有文本转形状数据集上的 SOTA 方法。

May, 2023