Apr, 2024

少样本书法风格学习

PDF
TL;DR通过预训练扩散模型在不同书法家作品的多样数据集上以及在包含将近 200 张徐院长书法作品的较小特殊数据集上进行微调，引入了创新的字体图像和笔画信息条件技术，并展示了与 zi2zi 和 CalliGAN 等传统方法相媲美的性能、更小数据集和较少计算资源的成果，从而为书法艺术的数字保存提供了突破，并在文化遗产数字化领域设立了新的数据有效的生成建模标准。
presidifussioncalligraphydiffusion modelfont image conditioningstroke information conditioning
发现论文，激发创造
  • 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

  • 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

  • CalliPaint：基于扩散模型的中国书法修复

    通过结合中国书法生成和图像修复的最新技术，引入了一个名为 CalliPaint 的模型，可以产生令人信服的中国书法作品。

    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

  • 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

  • 中文排版转换

    提出了一种新的基于深度学习的中文字体转换网络，该网络结构由两个子网络组成：一个全卷积网络转换指定的字体样式以保留结构信息，一个对抗网络生成更逼真的笔画细节，并克服了先前一些复杂的中文部件分割模型的问题，该模型将每个汉字视为一个不可分割的图像，采用端到端训练的方式，无需预处理或后处理。实验证明该模型可以在印刷体和手写体样式上从任何源字体合成逼真的目标字体。

    Jul, 2017

  • 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

  • 基于变分模仿学习的端到端机械臂书法规划

    本研究提出了一种基于深度模仿学习神经网络的自动化日本书法规划方法，使用三维轨迹表征及笔尖旋转，并通过图像和姿态数据结合实验数据证明，该方法能够成功地用于真实机器人中的任务，克服了模仿学习中的分布转移问题。

    Apr, 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