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
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
提出了一种基于Component-Aware Module（CAM）和CG-GAN的字体生成新算法，指导相对简单的生成器实现更有效的监督，实现了分解内容和样式并在组件级别进行监督，成功应用于手写字生成和场景文本图像编辑并超越同类方法。
本文提出了一种基于学习参考字形细粒度局部风格和内容与参考字形间的空间对应关系的方式生成新字体的方法，并采用交叉注意力机制将参考字形风格聚合成更细粒度的表示，实验证明这种方法在少量样本下生成的字体质量和风格一致性均优于现有的方法。
May, 2022
本文提出了一种基于内容融合模块 (CFM)、迭代式风格向量细化策略 (ISR) 和概率分布的投影字符损失 (PCL) 等技术的，用于少样本字体生成的方法，同时该方法从理论和实验两个方面证明了优于现有的少样本字体生成方法。
Mar, 2023
提出了一种基于VQGAN的框架（即VQ-Font），通过令牌先验细化和结构感知增强来提高字形保真度，并利用汉字的内在设计重新校准基于参考的细粒度风格，从而增强生成字体的保真度和符合结构的风格匹配。实验证明，VQ-Font在生成具有挑战性风格的字体方面，在数量和质量上均优于竞争方法。
Aug, 2023
该论文提出了一种基于注意机制的方法来找出重要的局部部分，然后利用所得到的注意力来生成具有更准确风格实现的字符图像。通过实验证明，所提出的重构损失函数可以通过几个少样本字体生成模型提高生成字符图像的质量。
Oct, 2023