論文の概要: AdaptiFont: Increasing Individuals' Reading Speed with a Generative Font Model and Bayesian Optimization

• arxiv url: http://arxiv.org/abs/2104.10741v1
• Date: Wed, 21 Apr 2021 19:56:28 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-23 13:43:26.794863
• Title: AdaptiFont: Increasing Individuals' Reading Speed with a Generative Font Model and Bayesian Optimization
• Title（参考訳）: AdaptiFont: 生成フォントモデルとベイズ最適化による個人の読書速度の向上
• Authors: Florian Kadner, Yannik Keller and Constantin A. Rothkopf
• Abstract要約: AdaptiFontは、モニターに表示されるテキストの読みやすさをインタラクティブに向上することを目的とした、ループ内の人間システムである。 我々は,能動的学習によって新しい真型フォントを生成し,新しいフォントでテキストをレンダリングし,個々のユーザの読書速度を測定する。 ユーザ調査の結果,この適応フォント生成システムは,高い読解速度に対応するフォント空間の領域を見出し,これらのフォントが参加者の読解速度を大幅に増加させ,各読者間でフォントが著しく異なることがわかった。
• 参考スコア（独自算出の注目度）: 3.480626767752489
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Digital text has become one of the primary ways of exchanging knowledge, but text needs to be rendered to a screen to be read. We present AdaptiFont, a human-in-the-loop system that is aimed at interactively increasing readability of text displayed on a monitor. To this end, we first learn a generative font space with non-negative matrix factorization from a set of classic fonts. In this space we generate new true-type-fonts through active learning, render texts with the new font, and measure individual users' reading speed. Bayesian optimization sequentially generates new fonts on the fly to progressively increase individuals' reading speed. The results of a user study show that this adaptive font generation system finds regions in the font space corresponding to high reading speeds, that these fonts significantly increase participants' reading speed, and that the found fonts are significantly different across individual readers.
• Abstract（参考訳）: デジタルテキストは知識を交換する主要な方法の1つになっているが、テキストをスクリーンにレンダリングして読む必要がある。 本稿では,モニタに表示されたテキストの可読性をインタラクティブに向上することを目的とした,ループ内人間システムAdaptiFontを提案する。 この目的のために,古典フォントの集合から非負行列分解をもつ生成フォント空間を学習する。 この領域では、アクティブラーニングを通じて新しい真型フォントを生成し、新しいフォントでテキストをレンダリングし、個々のユーザの読書速度を測定する。 ベイズ最適化は、個人の読み出し速度を徐々に向上させるために、フライ時に新しいフォントを順次生成する。 ユーザ調査の結果,この適応フォント生成システムは,高い読解速度に対応するフォント空間の領域を見出し,これらのフォントが参加者の読解速度を大幅に増加させ,各読者間でフォントが著しく異なることがわかった。

関連論文リスト

• 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)
• Combining OCR Models for Reading Early Modern Printed Books [2.839401411131008]
  我々は,15世紀から18世紀にかけて印刷された書籍において,OCR上でのきめ細かいフォント認識の利用について検討した。 我々はOCRの性能がフォントスタイルに強く影響していることを示し、フォント群認識による微調整モデルの選択は結果に非常に良い影響を与えることを示した。
  論文  参考訳（メタデータ） (2023-05-11T20:43:50Z)
• GlyphDiffusion: Text Generation as Image Generation [100.98428068214736]
  テキスト誘導画像生成によるテキスト生成のための新しい拡散手法であるGlyphDiffusionを提案する。 私たちのキーとなるアイデアは、ターゲットのテキストを視覚言語コンテンツを含むグリフイメージとしてレンダリングすることです。 また,本モデルでは,近年の拡散モデルよりも大幅に改善されている。
  論文  参考訳（メタデータ） (2023-04-25T02:14:44Z)
• 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)
• 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)
• Font Representation Learning via Paired-glyph Matching [15.358456947574913]
  本稿では,フォントスタイルを潜在空間に埋め込む新しいフォント表現学習手法を提案する。 フォントを他者から識別的に表現するために,マッチングに基づくフォント表現学習モデルを提案する。 フォント表現学習方式は,既存のフォント表現学習手法よりも優れた一般化性能が得られることを示す。
  論文  参考訳（メタデータ） (2022-11-20T12:27:27Z)
• Few-Shot Font Generation by Learning Fine-Grained Local Styles [90.39288370855115]
  フラッシュショットフォント生成(FFG)は、いくつかの例で新しいフォントを生成することを目的としている。 提案手法は,1)参照からきめ細かな局所スタイルを学習し,2)コンテンツと参照グリフの空間的対応を学習するフォント生成手法である。
  論文  参考訳（メタデータ） (2022-05-20T05:07:05Z)
• 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)
• Learning Perceptual Manifold of Fonts [7.395615703126767]
  本稿では,フォント生成モデルの潜在空間における知覚的調整を可視化するために,フォントの知覚多様体を提案する。 本研究における従来のユーザインタフェースとは対照的に,フォント探索型ユーザインタフェースは,指定されたユーザ嗜好に対して効率的かつ有効である。
  論文  参考訳（メタデータ） (2021-06-17T01:22:52Z)
• FONTNET: On-Device Font Understanding and Prediction Pipeline [1.5749416770494706]
  フォント検出エンジンとフォント予測エンジンの2つのエンジンを提案する。 画像中のテキストのフォントスタイルを識別する新しいcnnアーキテクチャを開発した。 第2に、与えられたクエリフォントの類似フォントを予測するための新しいアルゴリズムを設計した。 第3に,インスタントメッセージングなどのリアルタイムアプリケーションにおいて,プライバシを確保し,レイテンシを改善するエンジンのオンデバイス全体を最適化し,デプロイしました。
  論文  参考訳（メタデータ） (2021-03-30T08:11:24Z)
• Few-shot Compositional Font Generation with Dual Memory [16.967987801167514]
  我々は、新しいフォント生成フレームワークDual Memory-augmented Font Generation Network (DM-Font)を提案する。 我々は、構成性を活用するために、メモリコンポーネントとグローバルコンテキスト認識をジェネレータに採用する。 韓国手書きフォントとタイ手書きフォントの実験では,本手法が忠実なスタイリングによるサンプルの品質を著しく向上させることがわかった。
  論文  参考訳（メタデータ） (2020-05-21T08:13:40Z)

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。