論文の概要: DG-Font: Deformable Generative Networks for Unsupervised Font Generation

• arxiv url: http://arxiv.org/abs/2104.03064v1
• Date: Wed, 7 Apr 2021 11:32:32 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-08 12:49:53.650261
• Title: DG-Font: Deformable Generative Networks for Unsupervised Font Generation
• Title（参考訳）: DG-Font: 教師なしフォント生成のための変形可能な生成ネットワーク
• Authors: Yangchen Xie and Xinyuan Chen and Li Sun and Yue Lu
• Abstract要約: 非監視フォント生成(DGFont)のための新しい変形可能な生成ネットワークを提案する。 本稿では,一対の変位マップを予測し,予測地図を用いてコンテンツエンコーダからの低レベル特徴マップに変形可能な畳み込みを適用する特徴変形スキップ接続(fdsc)を提案する。 実験により,本モデルが最先端手法よりも高品質な文字を生成することを実証した。
• 参考スコア（独自算出の注目度）: 14.178381391124036
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Font generation is a challenging problem especially for some writing systems that consist of a large number of characters and has attracted a lot of attention in recent years. However, existing methods for font generation are often in supervised learning. They require a large number of paired data, which is labor-intensive and expensive to collect. Besides, common image-to-image translation models often define style as the set of textures and colors, which cannot be directly applied to font generation. To address these problems, we propose novel deformable generative networks for unsupervised font generation (DGFont). We introduce a feature deformation skip connection (FDSC) which predicts pairs of displacement maps and employs the predicted maps to apply deformable convolution to the low-level feature maps from the content encoder. The outputs of FDSC are fed into a mixer to generate the final results. Taking advantage of FDSC, the mixer outputs a high-quality character with a complete structure. To further improve the quality of generated images, we use three deformable convolution layers in the content encoder to learn style-invariant feature representations. Experiments demonstrate that our model generates characters in higher quality than state-of-art methods. The source code is available at https://github.com/ecnuycxie/DG-Font.
• Abstract（参考訳）: フォント生成は、特に多くの文字で構成され、近年多くの注目を集めている一部の書記システムにとって、困難な問題である。 しかし、既存のフォント生成手法はしばしば教師付き学習である。 大量のペアデータが必要で、それは労働集約的で収集に費用がかかる。 また、一般的な画像から画像への翻訳モデルは、フォント生成に直接適用できないテクスチャや色の集合としてスタイルを定義することが多い。 そこで本研究では,非教師なしフォント生成(dgfont)のための新しい変形可能な生成ネットワークを提案する。 本稿では,一対の変位マップを予測し,予測地図を用いてコンテンツエンコーダからの低レベル特徴マップに変形可能な畳み込みを適用する特徴変形スキップ接続(fdsc)を提案する。 fdscの出力はミキサーに供給され、最終的な結果を生成する。 FDSCを利用して、ミキサーは完全な構造を持つ高品質なキャラクタを出力する。 生成画像の品質をさらに向上するために,コンテンツエンコーダ内の3つの変形可能な畳み込み層を用いて,スタイル不変特徴表現を学習する。 実験により,本モデルが最先端手法よりも高品質な文字を生成することを実証した。 ソースコードはhttps://github.com/ecnuycxie/DG-Font.comで入手できる。

関連論文リスト

• JoyType: A Robust Design for Multilingual Visual Text Creation [14.441897362967344]
  複数言語によるビジュアルテキスト作成のための新しい手法JoyTypeを紹介した。 JoyTypeは、画像生成プロセス中にテキストのフォントスタイルを維持するように設計されている。 実測値と精度の両面から評価した結果,JoyTypeが既存の最先端手法を著しく上回っていることがわかった。
  論文  参考訳（メタデータ） (2024-09-26T04:23:17Z)
• FontDiffuser: One-Shot Font Generation via Denoising Diffusion with Multi-Scale Content Aggregation and Style Contrastive Learning [45.696909070215476]
  FontDiffuserは拡散に基づく画像から画像へのワンショットフォント生成手法である。 従来の方法と比較して、複雑な文字と大きなスタイルの変更を一貫して排他的に引き継いでいる。
  論文  参考訳（メタデータ） (2023-12-19T13:23:20Z)
• VQ-Font: Few-Shot Font Generation with Structure-Aware Enhancement and Quantization [52.870638830417]
  本稿では,VQGANベースのフレームワーク(VQ-Font)を提案する。 具体的には、コードブック内でフォントトークンをカプセル化するために、VQGANを事前訓練する。その後、VQ-Fontは、合成したグリフをコードブックで洗練し、合成されたストロークと実世界のストロークのドメインギャップをなくす。
  論文  参考訳（メタデータ） (2023-08-27T06:32:20Z)
• CF-Font: Content Fusion for Few-shot Font Generation [63.79915037830131]
  本稿では、コンテンツ特徴をベースフォントのコンテンツ特徴によって定義される線形空間に投影するコンテンツ融合モジュール(CFM)を提案する。 提案手法では,参照画像のスタイル表現ベクトルの最適化も可能である。 我々は,6.5k文字の300フォントのデータセットを用いて評価を行った。
  論文  参考訳（メタデータ） (2023-03-24T14:18:40Z)
• DGFont++: Robust Deformable Generative Networks for Unsupervised Font Generation [19.473023811252116]
  教師なしフォント生成のための頑健な変形可能な生成ネットワークを提案する(略してDGFont++)。 異なるスタイルを区別するために、我々はマルチタスク判別器を用いてモデルを訓練し、それぞれのスタイルを独立して識別できるようにした。 実験により,本モデルは最先端手法よりも高品質なキャラクタ画像を生成することができることが示された。
  論文  参考訳（メタデータ） (2022-12-30T14:35:10Z)
• Diff-Font: Diffusion Model for Robust One-Shot Font Generation [110.45944936952309]
  Diff-Fontという拡散モデルに基づく新しいワンショットフォント生成手法を提案する。 提案するモデルは,フォントライブラリ全体を生成することを目的として,参照として1つのサンプルのみを与える。 十分に訓練されたDiff-Fontは、フォントギャップやフォントのバリエーションに対して堅牢であるだけでなく、難しい文字生成において有望なパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2022-12-12T13:51:50Z)
• Scalable Font Reconstruction with Dual Latent Manifolds [55.29525824849242]
  タイポグラフィー解析とフォント再構成を行う深層生成モデルを提案する。 このアプローチによって、効果的にモデル化できるキャラクタの種類を大規模にスケールアップすることが可能になります。 多くの言語の文字タイプを表す様々なデータセット上でフォント再構成のタスクを評価する。
  論文  参考訳（メタデータ） (2021-09-10T20:37:43Z)
• Font Completion and Manipulation by Cycling Between Multi-Modality Representations [113.26243126754704]
  中間表現としてグラフを用いた2次元グラフィックオブジェクトとしてフォントグリフの生成を探求する。 我々は、画像エンコーダと画像の間のグラフで、モダリティサイクルのイメージ・ツー・イメージ構造を定式化する。 本モデルでは,画像から画像までのベースラインと,それ以前のグリフ補完手法よりも改善された結果を生成する。
  論文  参考訳（メタデータ） (2021-08-30T02:43:29Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。