論文の概要: DRG-Font: Dynamic Reference-Guided Few-shot Font Generation via Contrastive Style-Content Disentanglement

• arxiv url: http://arxiv.org/abs/2604.13797v1
• Date: Wed, 15 Apr 2026 12:34:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-16 20:38:32.532045
• Title: DRG-Font: Dynamic Reference-Guided Few-shot Font Generation via Contrastive Style-Content Disentanglement
• Title（参考訳）: DRG-Font: コントラスト・スタイル・コンテント・アンタングルによる動的参照誘導Few-shot Font生成
• Authors: Rejoy Chakraborty, Prasun Roy, Saumik Bhattacharya, Umapada Pal,
• Abstract要約: 本稿では,スタイルとコンテンツ埋め込み空間を分解して複雑なグリフ属性を学習する,対照的なフォント生成戦略であるDRG-Fontを紹介する。 提案手法は、複数の視覚的および分析的ベンチマークにおいて、最先端のアプローチよりも大幅に改善されていることを示す。
• 参考スコア（独自算出の注目度）: 11.163084437117488
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Few-shot Font Generation aims to generate stylistically consistent glyphs from a few reference glyphs. However, capturing complex font styles from a few exemplars remains challenging, and the existing methods often struggle to retain discernible local characteristics in generated samples. This paper introduces DRG-Font, a contrastive font generation strategy that learns complex glyph attributes by decomposing style and content embedding spaces. For optimal style supervision, the proposed architecture incorporates a Reference Selection (RS) Module to dynamically select the best style reference from an available pool of candidates. The network learns to decompose glyph attributes into style and shape priors through a Multi-scale Style Head Block (MSHB) and a Multi-scale Content Head Block (MCHB). For style adaptation, a Multi-Fusion Upsampling Block (MFUB) produces the target glyph by combining the reference style prior and target content prior. The proposed method demonstrates significant improvements over state-of-the-art approaches across multiple visual and analytical benchmarks.
• Abstract（参考訳）: Few-shot Font Generationは、いくつかの参照グリフからスタイリスティックに一貫性のあるグリフを生成することを目的としている。 しかし、いくつかの例から複雑なフォントスタイルを抽出することは依然として困難であり、既存の手法は生成されたサンプルの識別可能な局所特性を維持するのに苦労することが多い。 本稿では,スタイルとコンテンツ埋め込み空間を分解して複雑なグリフ属性を学習する,対照的なフォント生成戦略であるDRG-Fontを紹介する。 最適なスタイル管理のために,提案アーキテクチャでは,候補プールから最適なスタイル参照を動的に選択するための参照選択(RS)モジュールが組み込まれている。 ネットワークは、マルチスケールスタイルヘッドブロック(MSHB)とマルチスケールコンテンツヘッドブロック(MCHB)を介して、グリフ属性をスタイルと形状に分解することを学ぶ。 スタイル適応のために、MFUB(Multi-Fusion Upsampling Block)は、事前参照スタイルと事前ターゲットコンテンツを組み合わせることで、ターゲットグリフを生成する。 提案手法は、複数の視覚的および分析的ベンチマークにおいて、最先端のアプローチよりも大幅に改善されていることを示す。

関連論文リスト

• 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)
• Few shot font generation via transferring similarity guided global style and quantization local style [11.817299400850176]
  文字類似性に基づくグローバル特徴とスタイル化コンポーネントレベルの表現からスタイルを集約する新しいフォント生成手法を提案する。 我々のAFFG法は、コンポーネントレベルの表現の完全なセットを得ることができ、また、グローバルなグリフ特性を制御できる。
  論文  参考訳（メタデータ） (2023-09-02T05:05:40Z)
• 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)
• 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)

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。