AAAIDec, 2023

DeepCalliFont：融合双模态生成模型的少样本中文书法字体合成

PDF
TL;DR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。
few-shotchinese calligraphy fontsdeepcallifontdual-modality generative modelsfont synthesis
发现论文，激发创造
  • Few-shot 风格迁移生成细粒度中文书法字体

    本文提出了一个简单但强大的端到端汉字书法字体生成框架 ZiGAN，它不需要任何手动操作或冗余预处理来生成细粒度的目标风格字符，实验表明，我们的方法在少数汉字风格转移中具有最先进的泛化能力。

    Aug, 2021

  • 基于自编码器引导的 GAN 技术实现中国书法合成

    本文提出了一种基于深度神经网络的模型，将标准字体图像直接生成书法风格的图像，并构建了包含各种书法风格的大规模基准数据集。实验结果表明，该方法的效果优于其它基线方法。

    Jun, 2017

  • VQ-Font：结构感知增强和量化的小样本字体生成

    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

  • CalliGAN: 基于风格和结构意识的汉字书法字符生成器

    通过将中文字符的组件信息纳入到其模型中并使用改进的网络将字符转换为嵌入空间，从而提出了一种新的方法来多样化生成高质量的汉字。该方法在数量评估和人类主题研究方面优于现有技术。

    May, 2020

  • Calliffusion：使用扩散模型实现的汉字书法生成和风格转移

    本文提出了 Calliffusion 系统，采用扩散模型生成高质量的中文书法，实现了五种不同字形和著名书法家风格模拟，实验证明，模型生成的书法难以与真实艺术品区分，并使用 LoRA 进行单张迁移学习，将中文书法艺术风格转移到未知字符、甚至英文字母和数字。

    May, 2023

  • XMP-Font: 自监督跨模态预训练 Few-shot 字体生成

    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

  • 基于深度生成对抗网络的机器书法风格生成

    本研究提出了一种基于深度生成对抗网络的自动书法生成模型，能够生成具有专业水准的风格书法字体。该模型使用高精度书法合成方法构建数据集，邀请专业书法家进行图灵测试以评估模型生成结果与人类艺术水平之间的差距，实验结果表明该模型是目前书法生成方法中的最佳效果。

    Dec, 2023

  • GAS-NeXt: 少样本跨语言字体生成器

    本文介绍了一种名为 GAS-NeXt 的新型深度学习方法，利用替代原始编码器和解码器的想法，并利用 AGIS-Net 的形状、纹理和本地判别器，结合 Font Translator GAN 的层次注意力和上下文感知注意力实现跨语言生成字体。在英文到中文的字体转换实验中，GAS-NeXt 相比 Font Translator GAN 的表现更好。同时作者还在多种语言和数据集上验证了他们的方法。

    Dec, 2022

  • 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

  • 弱监督定位表示的少样本字体生成

    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