CVPRMay, 2023

DualVector: 用双部分表示法进行无监督向量字体合成

PDF
TL;DR本论文提出了 DualVector 方法作为一种新的向量字形表示方法，使用 “正” 和 “负” 路径对字形进行建模并通过布尔运算获得字形轮廓并进行改进，该方法在向量字体合成方面表现出优异的质量，可用于常见数字字体格式的实际应用。
font generationglyph representationvectorizationcontour alignmentdualvector method
发现论文，激发创造
  • VecFontSDF: 通过有符号距离函数学习重建和合成高质量矢量字体

    该研究提出了一种使用符号距离函数的隐式形状表示，通过机器学习将每个字形建模为由几个抛物线曲线围绕的形状基元，精确转换为二次贝塞尔曲线的算法，能够重建和合成高质量的矢量字体。

    Mar, 2023

  • DeepVecFont-v2: 利用 Transformer 对字体进行高质量的向量合成

    本文提出了一种基于 Transformers 的增强型 DeepVecFont 方法，通过使用放松表示方法以处理长序列数据，并使用采样辅助点对生成的 Bézier 曲线或线条进行精确定位，最终通过一种基于上下文的自我完善模块解决 DeepVecFont 所存在的问题，提高了英文和中文复杂结构和各种风格的矢量字体综合表现。

    Mar, 2023

  • Im2Vec: 无需矢量监督合成矢量图形

    在本文中，我们提出了一种新的神经网络，可以生成具有不同拓扑结构的复杂矢量图形，并仅需要来自现有光栅图像的间接监督，为此我们使用了可微栅格化流水线来渲染生成的矢量图形并将它们组合到光栅画布上。

    Feb, 2021

  • 神经路径表示下的文本向量生成

    通过设计双分支变分自编码器 (VAE) 的神经路径表示，我们提出了一种新颖的神经路径表示，从序列和图像模态中学习路径潜在空间，通过优化神经路径的组合，我们可以在生成的 SVG 中融入几何约束的同时保持表达力。此外，我们引入了一种两阶段路径优化方法，用于改进生成的 SVG 的视觉和拓扑质量。

    May, 2024

  • VecFusion: 矢量字体扩散生成

    我们提出了 VecFusion，这是一种新的神经架构，可以生成具有不同拓扑结构和精确控制点位置的矢量字体。通过级联扩散模型，我们的方法包括一个光栅扩散模型和一个矢量扩散模型。实验表明，与以前的矢量图形生成模型相比，我们的新的级联矢量扩散模型能够生成更高质量、具有复杂结构和多样化样式的矢量字体。

    Dec, 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

  • 双重记忆的少样本组合字体生成

    本文提出了一种名为 “DM-Font” 的字体生成框架，以利用构成式脚本的组合特性来生成高质量字体库，并结合记忆组件和全局上下文意识，从而使我们能够用少量样本生成高质量样本。 在韩文手写字体和泰文打印字体的实验中，我们观察到我们的方法在样式化方面比现有技术有显著的优势。

    May, 2020

  • VectorFusion: 基于像素扩散模型的文本到 SVG 的抽象转换

    该研究使用扩散模型和分数蒸馏采样，通过对像素图像的文本条件训练生成可导出为 SVG 的矢量图形，并在优化可微分的矢量图形栅格化器方面实现了语义知识的提取，实验结果表明其较之于过去的工作具有更高的生成质量和更丰富的样式，包括像素艺术和手绘图。

    Nov, 2022

  • 可伸缩矢量图形的学习表示

    该研究利用生成模型建立向量图形的连续生成模型，从而刻画字体绘制过程，提供了一种可操作的样式传播方法，有望成为平面设计师进行字体设计的工具。

    Apr, 2019

  • 双潜空间伸缩字体重建

    提出了一种基于深度生成模型的排版分析和字体重构方法，通过分离字体样式和字符形状，可以大规模增加有效建模字符类型的数量。

    Sep, 2021