通过引入 W-Net 模型，本文提出了一种高效和广义的深度框架，可用于一次过任意风格的汉字生成任务。实验结果表明，该方法在一次生成的设置下明显优于其他竞争方法。

Jun, 2024

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

本文提出了一种名为 SA-VAE 的新型框架，用于弹性生成具有不同风格的汉字。通过将潜在特征分离为内容相关和风格相关组件，成功地学习了新风格汉字的写作，并通过在实际应用中融合不同内容和风格的特征向量生成了不同的汉字。

Dec, 2017

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

本研究提出了一种基于 Transformer 模型生成手写文本，并将文本表示为密集向量序列的方法，其可用于生成含有少量样本的手写文本，使得即使在训练期间很少看到的字符也能够从它们的视觉原型中生成。

Mar, 2023

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

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

我们提出了 MetaScript，这是一个新颖的中文内容生成系统，旨在解决个人手写风格在中文字符的数字表示中逐渐消失的问题。我们的方法利用少样本学习的能力，生成既保留个人独特的手写风格又保持数字输入效率的中文字符。MetaScript 在多种手写风格的多样数据集上进行训练，能够从最少的风格参考和标准字体中产生高质量的风格模仿。我们的工作为数字排版中保留书写交流中的个人特色提供了实用解决方案，特别是在中文书写环境中。值得注意的是，我们的系统在各种评估中表现出卓越的性能，包括识别准确率、初始分数和 Frechet 初始距离。同时，我们模型的训练条件易于满足，并有利于在实际应用中实现泛化。

Dec, 2023

本文提出了一种针对高度风格化文字的部分观测并推广未观测字形的挑战，即通过以通道为内容、以网络层为风格的端到端堆叠有条件 GAN 模型生成一组遵循一致风格的多内容图像。该网络可以捕获真实世界中的高度风格化字体，并通过少量的已观察字形实现有效的推广。

Dec, 2017

提出了一种新的神经网络结构来解决单张图像类比的问题，我们的网络是一个修改后的变分自编码器（VAE），支持有监督的训练和结构相似性目标的输出评估，通过对于 62 个字体从单个样例字母的生成展示出比现有技术更优异的结果。

Mar, 2016