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

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

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

该研究提出了一种排版文本生成系统，结合了扩散模型的控制方法和混合潜在扩散模型，实现了在排版设计上添加和修改文本，并指定字体风格、颜色和文本效果。通过合适的边缘条件，该系统能够生成指定字体的文本，同时应用提前设定的效果，如阴影和倒影，成功地将文本添加和修改在预设的背景上，保持整体的一致性。

Feb, 2024

我们引入一种新颖的形状自适应扩散模型，能够解释给定形状并在非规则画布内策划像素分布，用于生成多语言字体的文本效果；此外，我们还提出了一种训练免费的、形状自适应的效果转移方法，用于在生成的参考字母和其他字母之间传递纹理和字体效果信息。使用用户偏好研究验证了我们的 FontStudio 系统的有效性。

Jun, 2024

本篇论文提出了一种新的基于扩散模型的文本生成方法 —— extsc {RenderDiffusion}，它通过渲染目标文本为包含可视化语言内容的图形图像进行条件文本生成。该方法在四个条件文本生成任务和两类度量中都取得了比预训练语言模型更好的结果。

Apr, 2023

该论文提出了一种名为 GlyphControl 的方法，用于增强现有的 Stable-Diffusion 模型在生成准确视觉文本方面的性能，有效地生成可定制的文本内容，使用自定义训练数据集 LAION-Glyph 进行评估，实验证明了该方法在 OCR 准确度方面优于 DeepFloyd IF 方法。

May, 2023

本文旨在提高高质量图像的合成与精确文字自定义，为图像生成模型的进步做出贡献。我们提出的方法名为 CustomText，利用预训练的 TextDiffuser 模型实现对字体颜色、背景和类型的控制。为了解决小字体渲染的挑战，我们训练了 ControlNet 模型用于一致性解码，从而显著提高了文字生成性能。我们通过与先前的文本图像生成方法在公开可用的 CTW-1500 数据集和自编数据集上的比较评估了 CustomText 的性能，并展示出优越的结果。

May, 2024

本文提出一种基于 DDPM 模型从字体库生成手写汉字样本的方法，通过将新类别的 DDPM 合成样本与其他类别的真实样本相结合，提出了一种支持完整字符集的 HCCR 系统，实验结果表明，合成的样本在识别准确率上与真实样本具有相似的性能。

May, 2023

本文提出一种名为 CTIG-DM 的新方法，它结合了图像条件、文本条件和风格条件来控制样本在图像生成过程中的属性、内容和风格。经过大量的实验，证明 CTIG-DM 能够产生模拟现实世界复杂性和多样性的图像样本，具有很强的潜力用于领域适应和生成包含 OOV（Out-Of-Vocabulary）词的图像。

Jun, 2023