本研究提出了一个用于图像中字体识别、字体推荐、字体相似度等任务的深度学习模型 DeepFont,并使用卷积神经网络、模型压缩等技术对该模型进行优化。实验证明,该模型在我们的数据集中平均精度高于 80%,同时模型大小得到约 6 倍的压缩,而且在字体选择和建议中可产生较好的字体相似度度量。
Jul, 2015
研究探讨了世界上不同的字体风格和它们对阅读体验和印象的影响,同时借助大规模数据集,分析字体风格的选择与上下文因素,如周围对象和单词意义的关系,从而发现了特定字体风格在特定上下文因素下的使用实例。
Jun, 2023
本研究通过使用 DeepSets 方法,对字形相关的单词进行增强、对字形不相关的单词进行抑制,从而在大规模字体 - 印象数据集上实现了共享潜在空间,并表明该方法可适当描述相关性。
Mar, 2021
本文利用 multi-implicits 来表示字体,以提高神经网络的性能;同时,提出了一种只需要局部监督来训练该表示的方法,并在各种任务中展示了其优越性,还能自然地完成字形。
Jun, 2021
本文提出了一种基于标签的大规模字体检索方法,通过构建包含近 20,000 字体、2,000 标签和数十万个字体 - 标签关系的数据集,设计了一种新型的生成特征学习算法,结合注意机制和识别 - 检索模型,有效提升了字体检索的性能。
Sep, 2019
通过扩散模型插值一对有不同风格的参考字体,本研究提出了三种不同的插值方法:图像混合、条件混合和噪声混合,以生成新的字体风格。实验结果表明,这三种方法不仅可以生成预期的字体风格,还能生成一些偶然的字体风格。同时,与一种最新的风格条件拉丁字体生成网络模型进行比较,验证了使用扩散模型进行风格插值任务的有效性。
Feb, 2024
本文介绍了公开可用的第一个波斯字体识别数据库,并使用卷积神经网络解决了这个问题。结果表明,提出的流程在新的数据集上获得了 78.0% 的前 1 精度,在 IDPL-PFOD 数据集上为 89.1%,在 KAFD 数据集上为 94.5%。此外,对于我们的数据集的一个样本,整个流程在 CPU 上平均耗时 0.54 秒,在 GPU 上为 0.017 秒。我们得出结论,CNN 方法可以用于识别波斯字体,无需额外的预处理步骤,如特征提取、二值化、标准化等。
Oct, 2023
本文介绍了通过分析四个字母的子集,学习一种字体风格的方法,并使用深度神经网络来进行磨练和生成其他字母,并详细探讨该方法的优点和缺点。
Mar, 2016
本文提出了一种深度分解模型,用于字体分析,能够将内容与样式区分开来,并成功实现了从未见过的字体的笔画重构。
Oct, 2019
本文旨在学习字体的视觉属性和它们所应用的文本的语境之间的关联,并引入一个包含社交媒体帖子和广告中不同主题示例的新数据集,通过众包标注,通过研究不同的端到端模型来学习众包数据上的标签分布并捕捉所有注释之间的主观性。
May, 2020