論文の概要: DiffCJK: Conditional Diffusion Model for High-Quality and Wide-coverage CJK Character Generation

• arxiv url: http://arxiv.org/abs/2404.05212v1
• Date: Mon, 8 Apr 2024 05:58:07 GMT
• ステータス: 処理完了
• システム内更新日: 2024-04-09 15:23:43.586240
• Title: DiffCJK: Conditional Diffusion Model for High-Quality and Wide-coverage CJK Character Generation
• Title（参考訳）: DiffCJK:CJK文字生成のための条件拡散モデル
• Authors: Yingtao Tian,
• Abstract要約: 本研究では, 標準グリフ形式を用いて, 対象とするスタイルでグリフを生成する新しい拡散法を提案する。 提案手法は,CJK以外の中国語にインスパイアされたスクリプトに対して,顕著なゼロショット機能を示す。 要約して,提案手法は,CJK文字に対する高品質な生成モデル支援フォント作成への扉を開く。
• 参考スコア（独自算出の注目度）: 1.0044057719679087
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Chinese, Japanese, and Korean (CJK), with a vast number of native speakers, has profound influence on society and culture. The typesetting of CJK languages carries a wide range of requirements due to the complexity of their scripts and unique literary traditions. A critical aspect of this typesetting process is that CJK fonts need to provide a set of consistent-looking glyphs for approximately one hundred thousand characters. However, creating such a font is inherently labor-intensive and expensive, which significantly hampers the development of new CJK fonts for typesetting, historical, aesthetic, or artistic purposes. To bridge this gap, we are motivated by recent advancements in diffusion-based generative models and propose a novel diffusion method for generating glyphs in a targeted style from a \emph{single} conditioned, standard glyph form. Our experiments show that our method is capable of generating fonts of both printed and hand-written styles, the latter of which presents a greater challenge. Moreover, our approach shows remarkable zero-shot generalization capabilities for non-CJK but Chinese-inspired scripts. We also show our method facilitates smooth style interpolation and generates bitmap images suitable for vectorization, which is crucial in the font creation process. In summary, our proposed method opens the door to high-quality, generative model-assisted font creation for CJK characters, for both typesetting and artistic endeavors.
• Abstract（参考訳）: 中国語、日本語、韓国語(CJK)は、多くの母語話者を抱えており、社会や文化に大きな影響を与えている。 CJK言語の型付けは、スクリプトの複雑さとユニークな文学的伝統のために、幅広い要件を課している。 この型付けプロセスの重要な側面は、CJKフォントが約10万文字に対して一貫したグリフのセットを提供する必要があることである。 しかし、そのようなフォントの作成は本質的に労働集約的で高価であり、タイプセット、歴史的、美学、芸術目的のための新しいCJKフォントの開発を著しく妨げている。 このギャップを埋めるため,近年の拡散型生成モデルの発展を動機とし, 条件付き標準グリフ形式を用いて, 対象とするスタイルでグリフを生成する新しい拡散法を提案する。 実験の結果,本手法は印刷スタイルと手書きスタイルの両方のフォントを生成することができることがわかった。 さらに,本手法はCJK以外の中国語にヒントを得たスクリプトに対して,目覚ましいゼロショットの一般化機能を示す。 また,本手法はスムーズなスタイルの補間を容易にするとともに,フォント生成プロセスにおいて重要なベクトル化に適したビットマップ画像を生成する。 要約して,提案手法は,CJK文字のための高品質な生成モデル支援フォント作成への扉を開く。

関連論文リスト

• Decoupling Layout from Glyph in Online Chinese Handwriting Generation [6.566541829858544]
  テキスト行レイアウト生成器とスタイル化フォント合成器を開発した。 レイアウトジェネレータは、テキスト内容と提供されたスタイル参照に基づいて、コンテキスト内学習を行い、各グリフに対する位置を自己回帰的に生成する。 文字埋め込み辞書、マルチスケールの書体スタイルエンコーダ、及び1DのU-Netベースの拡散デノイザからなるフォントシンセサイザは、所定のスタイル参照から抽出された書体スタイルを模倣しつつ、その位置に各フォントを生成する。
  論文  参考訳（メタデータ） (2024-10-03T08:46:17Z)
• GRIF-DM: Generation of Rich Impression Fonts using Diffusion Models [18.15911470339845]
  我々は、特定の印象を鮮明に具現化するフォントを生成するための拡散法である「usmethod」を導入する。 MyFontsデータセットを用いて,本手法が現実的で活気があり,高忠実なフォントを生成可能であることを確認した。
  論文  参考訳（メタデータ） (2024-08-14T02:26:46Z)
• 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)
• 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)
• 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)
• 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)
• 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)
• Few-Shot Font Generation with Deep Metric Learning [33.12829580813688]
  提案するフレームワークは、スタイルエンコーダにディープメトリック学習を導入している。 白黒フォントと形状識別フォントのデータセットを用いて実験を行った。
  論文  参考訳（メタデータ） (2020-11-04T10:12:10Z)

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。