論文の概要: AnyArtisticGlyph: Multilingual Controllable Artistic Glyph Generation

• arxiv url: http://arxiv.org/abs/2504.04743v1
• Date: Mon, 07 Apr 2025 05:37:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-08 14:11:15.430076
• Title: AnyArtisticGlyph: Multilingual Controllable Artistic Glyph Generation
• Title（参考訳）: AnyArtisticGlyph:多言語制御可能なアーティスティックグリフ生成
• Authors: Xiongbo Lu, Yaxiong Chen, Shengwu Xiong,
• Abstract要約: アートグリフ画像生成(AGIG)は、そのコンテンツを保存しながら、参照画像のスタイルをソースに転送する。 拡散型多言語制御可能な芸術的グリフ生成モデルであるAnyArtisticGlyphを紹介する。
• 参考スコア（独自算出の注目度）: 19.2293398270178
• License:
• Abstract: Artistic Glyph Image Generation (AGIG) differs from current creativity-focused generation models by offering finely controllable deterministic generation. It transfers the style of a reference image to a source while preserving its content. Although advanced and promising, current methods may reveal flaws when scrutinizing synthesized image details, often producing blurred or incorrect textures, posing a significant challenge. Hence, we introduce AnyArtisticGlyph, a diffusion-based, multilingual controllable artistic glyph generation model. It includes a font fusion and embedding module, which generates latent features for detailed structure creation, and a vision-text fusion and embedding module that uses the CLIP model to encode references and blends them with transformation caption embeddings for seamless global image generation. Moreover, we incorporate a coarse-grained feature-level loss to enhance generation accuracy. Experiments show that it produces natural, detailed artistic glyph images with state-of-the-art performance. Our project will be open-sourced on https://github.com/jiean001/AnyArtisticGlyph to advance text generation technology.
• Abstract（参考訳）: 芸術的グリフ画像生成(AGIG)は、精密に制御可能な決定論的生成を提供することによって、現在の創造性に焦点を当てた生成モデルとは異なる。 コンテンツを保持しながら、参照イメージのスタイルをソースに転送する。 先進的で有望ではあるが、現在の方法では、合成された画像の詳細を精査し、しばしばぼやけた、または間違ったテクスチャを生成し、重大な課題を生じさせる。 そこで,AnyArtisticGlyphは拡散型多言語制御可能な芸術的グリフ生成モデルである。 フォントの融合と埋め込みモジュールは、詳細な構造を作成するために潜在機能を生成し、CLIPモデルを使用して参照をエンコードし、それらをシームレスなグローバルな画像生成のために変換キャプション埋め込みとブレンドするビジョンテキスト融合と埋め込みモジュールを含んでいる。 さらに、粗粒度の特徴レベル損失を組み込んで、生成精度を向上させる。 実験により、最先端のパフォーマンスを持つ自然で詳細な芸術的グリフ画像を生成することが示された。 我々のプロジェクトは、テキスト生成技術の進歩のためにhttps://github.com/jiean001/AnyArtisticGlyphでオープンソース化されます。

関連論文リスト

• VitaGlyph: Vitalizing Artistic Typography with Flexible Dual-branch Diffusion Models [53.59400446543756]
  柔軟な芸術的タイポグラフィーを実現するために,二枝・無訓練の手法であるVitaGlyphを導入する。 VitaGlyphは入力文字を被写体と周囲からなるシーンとして扱い、次に幾何変換の度合いでそれらをレンダリングする。 実験結果から、VitaGlyphは芸術性や可読性の向上だけでなく、複数のカスタマイズ概念を表現できることがわかった。
  論文  参考訳（メタデータ） (2024-10-02T16:48:47Z)
• Prompt-Consistency Image Generation (PCIG): A Unified Framework Integrating LLMs, Knowledge Graphs, and Controllable Diffusion Models [20.19571676239579]
  生成した画像と対応する記述とのアライメントを強化するための,拡散に基づく新しいフレームワークを提案する。 この枠組みは不整合現象の包括的解析に基づいて構築され,画像の表示に基づいて分類する。 次に、最先端の制御可能な画像生成モデルとビジュアルテキスト生成モジュールを統合し、元のプロンプトと整合した画像を生成する。
  論文  参考訳（メタデータ） (2024-06-24T06:12:16Z)
• LayoutLLM-T2I: Eliciting Layout Guidance from LLM for Text-to-Image Generation [121.45667242282721]
  レイアウト計画と画像生成を実現するための粗大なパラダイムを提案する。 提案手法は,フォトリアリスティックなレイアウトと画像生成の観点から,最先端のモデルよりも優れている。
  論文  参考訳（メタデータ） (2023-08-09T17:45:04Z)
• ProSpect: Prompt Spectrum for Attribute-Aware Personalization of Diffusion Models [77.03361270726944]
  現在のパーソナライズ手法は、オブジェクトや概念をテキスト条件空間に反転させ、テキストから画像への拡散モデルのための新しい自然文を構成することができる。 本稿では,低周波情報から高周波画像を生成する拡散モデルのステップバイステップ生成プロセスを活用する新しい手法を提案する。 ProSpectは、画像誘導やテキスト駆動による材料、スタイル、レイアウトの操作など、パーソナライズされた属性認識画像生成アプリケーションに適用する。
  論文  参考訳（メタデータ） (2023-05-25T16:32:01Z)
• 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)
• CCLAP: Controllable Chinese Landscape Painting Generation via Latent Diffusion Model [54.74470985388726]
  制御可能な中国の風景画作成方法CCLAP。 本手法は,特に芸術的・芸術的概念において,最先端の演奏を実現する。
  論文  参考訳（メタデータ） (2023-04-09T04:16:28Z)
• GlyphDraw: Seamlessly Rendering Text with Intricate Spatial Structures in Text-to-Image Generation [18.396131717250793]
  GlyphDrawは、画像生成モデルに特定の言語に対して、テキストにコヒーレントに埋め込まれた画像を生成する能力を持たせることを目的とした、一般的な学習フレームワークである。 提案手法は,プロンプトのように正確な言語文字を生成するだけでなく,生成したテキストを背景にシームレスにブレンドする。
  論文  参考訳（メタデータ） (2023-03-31T08:06:33Z)
• Unified Multi-Modal Latent Diffusion for Joint Subject and Text Conditional Image Generation [63.061871048769596]
  本稿では, 特定対象を含む画像と共同テキストを入力シーケンスとして用いた, Unified Multi-Modal Latent Diffusion (UMM-Diffusion) を提案する。 より具体的には、入力テキストと画像の両方を1つの統一マルチモーダル潜在空間に符号化する。 入力テキストと画像の両面から複雑な意味を持つ高品質な画像を生成することができる。
  論文  参考訳（メタデータ） (2023-03-16T13:50:20Z)
• Plug-and-Play Diffusion Features for Text-Driven Image-to-Image Translation [10.39028769374367]
  本稿では,画像間翻訳の領域にテキスト・ツー・イメージ合成を取り入れた新しいフレームワークを提案する。 本手法は,事前学習したテキスト・画像拡散モデルのパワーを利用して,対象のテキストに適合する新たな画像を生成する。
  論文  参考訳（メタデータ） (2022-11-22T20:39:18Z)
• GenText: Unsupervised Artistic Text Generation via Decoupled Font and Texture Manipulation [30.654807125764965]
  我々は,汎用的な芸術的テクストスタイルの転送を実現するために,GenTextという新しいアプローチを提案する。 具体的には、スタイラス化、デスティル化、フォント転送という3つの異なる段階を取り入れています。 ペアの芸術的テキスト画像の取得が困難であることを考えると,本モデルは教師なし環境下で設計されている。
  論文  参考訳（メタデータ） (2022-07-20T04:42:47Z)

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。