論文の概要: Total Disentanglement of Font Images into Style and Character Class Features

• arxiv url: http://arxiv.org/abs/2403.12784v1
• Date: Tue, 19 Mar 2024 14:50:13 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-20 13:53:54.714119
• Title: Total Disentanglement of Font Images into Style and Character Class Features
• Title（参考訳）: フォント画像のスタイルとキャラクタクラス特徴への全歪み
• Authors: Daichi Haraguchi, Wataru Shimoda, Kota Yamaguchi, Seiichi Uchida,
• Abstract要約: トータル・ディアンタングメント(Total Disentanglement)は、各フォントイメージを分解するニューラルネットワークベースの手法である。 同じフォント内のすべてのA'-Z'画像から共通スタイルの特徴を抽出するために、シンプルだが注意深いトレーニング手順を使用する。
• 参考スコア（独自算出の注目度）: 14.005731342332792
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this paper, we demonstrate a total disentanglement of font images. Total disentanglement is a neural network-based method for decomposing each font image nonlinearly and completely into its style and content (i.e., character class) features. It uses a simple but careful training procedure to extract the common style feature from all `A'-`Z' images in the same font and the common content feature from all `A' (or another class) images in different fonts. These disentangled features guarantee the reconstruction of the original font image. Various experiments have been conducted to understand the performance of total disentanglement. First, it is demonstrated that total disentanglement is achievable with very high accuracy; this is experimental proof of the long-standing open question, ``Does `A'-ness exist?'' Hofstadter (1985). Second, it is demonstrated that the disentangled features produced by total disentanglement apply to a variety of tasks, including font recognition, character recognition, and one-shot font image generation.
• Abstract（参考訳）: 本稿では,フォント画像の完全アンタングル化を実演する。 トータル・ディコンタングルメント(Total Disentanglement)は、各フォントイメージを非線形に分解し、そのスタイルと内容(文字クラス)に完全に分解するニューラルネットワークベースの手法である。 同じフォント内のすべての 'A'-`Z' 画像と、異なるフォント内のすべての 'A' (または別のクラス) 画像から共通のコンテンツ特徴を抽出するために、単純だが注意深いトレーニング手順を使用する。 これらの歪んだ特徴により、元のフォントイメージの再構築が保証される。 本研究は, 各種実験により, 完全絡み合いの実態を解明した。 まず、全非絡合は非常に高い精度で達成可能であることが示され、これは長年続く開問題である ``Does `A'-ness exists''' Hofstadter (1985) の実験的証明である。 第2に, フォント認識, 文字認識, ワンショットフォント画像生成など様々なタスクに対して, 完全アンタングル化によって生じるアンタングル化特徴が適用されることを示した。

関連論文リスト

• Beyond Color and Lines: Zero-Shot Style-Specific Image Variations with Coordinated Semantics [3.9717825324709413]
  スタイルは、主に色、ブラシストローク、照明といった芸術的要素の観点から検討されてきた。 本研究では,コーディネート・セマンティクスを用いた画像変化のためのゼロショット・スキームを提案する。
  論文  参考訳（メタデータ） (2024-10-24T08:34:57Z)
• 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)
• Improving Generalization of Image Captioning with Unsupervised Prompt Learning [63.26197177542422]
  画像キャプションの一般化(GeneIC)は、アノテーション付きデータを必要とせずに、ターゲットドメインのドメイン固有のプロンプトベクトルを学習する。 GeneICは、学習済みのContrastive Language-Image Pre-Training (CLIP)モデルと視覚的および言語的モダリティを一致させる。
  論文  参考訳（メタデータ） (2023-08-05T12:27:01Z)
• 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)
• Few-shot Font Generation by Learning Style Difference and Similarity [84.76381937516356]
  異なるスタイルの違いと同一スタイルの類似性(DS-Font)を学習する新しいフォント生成手法を提案する。 具体的には,提案するクラスタレベルコントラシブ・スタイル(CCS)の損失により,スタイルエンコーディングを実現する多層型プロジェクタを提案する。
  論文  参考訳（メタデータ） (2023-01-24T13:57:25Z)
• 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)
• Arbitrary Style Transfer with Structure Enhancement by Combining the Global and Local Loss [51.309905690367835]
  本稿では,グローバルな損失と局所的な損失を組み合わせ,構造拡張を伴う任意のスタイル転送手法を提案する。 実験結果から,視覚効果の優れた高画質画像が生成できることが示唆された。
  論文  参考訳（メタデータ） (2022-07-23T07:02:57Z)
• 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)
• A Multi-Implicit Neural Representation for Fonts [79.6123184198301]
  エッジやコーナーのようなフォント固有の不連続性は、ニューラルネットワークを使って表現することが難しい。 そこで我々は,フォントを文順に表現するためのtextitmulti-implicitsを導入する。
  論文  参考訳（メタデータ） (2021-06-12T21:40:11Z)
• Exploring Font-independent Features for Scene Text Recognition [22.34023249700896]
  近年,Scene Text Recognition (STR) が広く研究されている。 最近提案された多くの手法は、シーンテキストの任意の形状、レイアウト、配向に対応するよう特別に設計されている。 フォントの特徴と文字のコンテンツ特徴が絡み合っているこれらの手法は、新しいフォントスタイルのテキストを含むシーンイメージのテキスト認識において、不十分な性能を発揮する。
  論文  参考訳（メタデータ） (2020-09-16T03:36:59Z)

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。