論文の概要: Handwriting Trajectory Recovery via Autoregressive Ordered Stroke Instance Prediction

• arxiv url: http://arxiv.org/abs/2609.02251v1
• Date: Wed, 02 Sep 2026 07:57:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-03 17:53:18.143633
• Title: Handwriting Trajectory Recovery via Autoregressive Ordered Stroke Instance Prediction
• Title（参考訳）: 自己回帰順序付きストロークインスタンス予測による手書き軌道復元
• Abstract要約: オフライン手書きは最後の空間インクパターンのみを保存し、ストローク順、書き込み方向、ペン先の動きなどの時間情報が失われる。 既存の学習ベースの手法は、手書きのストロークレベルの組織を明示的に活用することなく、文字の完全な軌跡を直接予測することが多い。 本稿では,まず順序付けられたストロークインスタンスを復元し,連続的なストローク内動きを再構成する2段階のフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 42.79660343248354
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Handwriting trajectory recovery aims to infer the dynamic writing process hidden behind a static handwritten image. Since offline handwriting preserves only the final spatial ink pattern, temporal information such as stroke order, writing direction, and pen-tip motion is lost, making recovery inherently ambiguous. Existing learning-based methods often directly predict the complete character trajectory without explicitly exploiting the stroke-level organization of handwriting. We argue that recovering the writing process should follow the writing process itself. Accordingly, we propose a two-stage framework that first recovers ordered stroke instances and then reconstructs continuous within-stroke motion. The first stage integrates stroke extraction and stroke-order recovery through autoregressive ordered stroke prediction, while direction-related structural cues further support within-stroke trajectory generation. Experiments on Chinese handwriting show that the proposed ordered prediction is more effective than post-hoc stroke ordering. Even without trajectory simplification, our full-point model achieves numerically better results than those reported by all compared baselines, while a controlled analysis shows that trajectory sampling density substantially affects measured recovery performance. Additional experiments demonstrate generalization to unseen Chinese character categories and cross-language extensibility to English and Tamil handwriting.
• Abstract（参考訳）: 手書きトラジェクトリリカバリは、静的手書き画像の裏に隠された動的な書き込みプロセスを推論することを目的としている。 オフライン手書きは最後の空間インクパターンのみを保持するため、ストローク順、筆記方向、ペン先運動などの時間情報が失われ、回復が本質的に曖昧になる。 既存の学習ベースの手法は、手書きのストロークレベルの組織を明示的に活用することなく、文字の完全な軌跡を直接予測することが多い。 書き込みプロセスの回復は、書き込みプロセス自体に従わなければならない、と我々は主張する。 そこで本研究では,まず順序付けられたストロークインスタンスを復元し,連続的なストローク内動作を再構築する2段階のフレームワークを提案する。 第1段階は、自己回帰順序のストローク予測により、ストローク抽出とストロークオーダーリカバリを統合し、方向関連構造的手がかりは、ストローク内軌道生成をさらに支援する。 中国の筆跡実験から, 提案した順序予測は, ホック後のストローク順序よりも効果的であることが示された。 トラジェクトリの単純化がなくても, トラジェクトリサンプリング密度が測定されたリカバリ性能に大きく影響することが制御された解析結果から示される。 追加の実験では、未知の漢字カテゴリへの一般化と、英語とタミル文字への言語横断性を示す。

関連論文リスト

• Adversarial Attacks on Online Handwriting using Salience-based Temporal Editing [3.3645541387585642]
  本稿では,サリエンス誘導時間編集に基づくオンライン手書き文字認識のための新しい逆攻撃フレームワークを提案する。 ホワイトボックスとワンショットブラックボックスの両方の攻撃条件下で、UnipenおよびCASIA-OLHWDBデータセットに対する提案手法の評価を行った。
  論文  参考訳（メタデータ） (2026-07-14T08:32:04Z)
• Handwriting Trajectory Recovery with Diffusion Models [8.60892545731595]
  本稿では,手書き軌道復元のための拡散モデルに基づく最初のフレームワークを提案する。 画像条件付き生成としてトラジェクトリリカバリを定式化する。 複雑なマルチストロークキャラクタであっても,提案手法が正確なリカバリを可能にすることを確認した。
  論文  参考訳（メタデータ） (2026-07-03T15:36:27Z)
• Perfect Demo Makes Poor Teacher: Learning Robust Alignment from Critical Motion Segments [53.85970147743299]
  専門家によるデモンストレーションは、ロボット模倣学習における金の標準であると広く考えられている。 しかし、挿入、積み重ね、アライメントなどのきめ細かい操作のために、私たちは直感的な失敗モードを発見しました。 視覚言語モデルとアクションエキスパートをブリッジする,コンパクトな動的特徴であるSTAIRを導入する。
  論文  参考訳（メタデータ） (2026-06-14T04:15:29Z)
• Single-Line Drawing Generation via Semantics-Driven Optimization [51.26529682867565]
  本稿では,ベクトル形式で1行の描画を自動的に生成するセマンティクス駆動方式を提案する。 本手法は,一様有理B-スプライン曲線(URBS)のパラメータを最適化するために,スコア蒸留サンプリングを利用する。 本手法はベクトル化曲線を生成するため, 直結する下流加工プロセス, レーザーエッチング, ワイヤ曲げなどの加工を支援できる。
  論文  参考訳（メタデータ） (2026-06-01T08:46:22Z)
• Layout Stroke Imitation: A Layout Guided Handwriting Stroke Generation for Style Imitation with Diffusion Model [8.457315999229907]
  本研究は,書体模倣のためのマルチスケールアテンション機能を提案する。 これらのマルチスケール機能埋め込みは、ローカルおよびグローバルスタイルの機能を強調している。 第2に,直接生成したスタイル画像と対照的に,ストロークの予測を行う条件拡散モデルを提案する。
  論文  参考訳（メタデータ） (2025-09-19T06:53:17Z)
• Dual Orthogonal Guidance for Robust Diffusion-based Handwritten Text Generation [55.35931633405974]
  拡散に基づく手書きテキスト生成(HTG)アプローチは、トレーニング時間と通常のスタイルで観察される単語内単語の頻度が高く、印象的な結果が得られる。 トレーニングサンプルを記憶する傾向があり、しばしばスタイルの多様性と生成の明確さに苦しむ。 そこで本研究では,元のプロンプトに対して負に摂動したプロンプトを利用する新しいサンプリング誘導戦略であるDual Orthogonal Guidance(DOG)を提案する。 最新技術であるDiffusionPenとOne-DMの実験結果から、DOGは、語彙外単語や難解な書き方であっても、内容の明快さと可変性を両立させることを示した。
  論文  参考訳（メタデータ） (2025-08-23T13:09:19Z)
• Online Writer Retrieval with Chinese Handwritten Phrases: A Synergistic Temporal-Frequency Representation Learning Approach [53.189911918976655]
  DOLPHINは,相乗的時間周波数解析による手書き表現の向上を目的とした新しい検索モデルである。 OLIWER(OLIWER)は,1,731人から670,000以上の中国語の字句を含む大規模オンライン作家検索データセットである。 本研究は,手書き表現の質向上における点サンプリング周波数と圧力特性の重要性を強調した。
  論文  参考訳（メタデータ） (2024-12-16T11:19:22Z)
• Complex Handwriting Trajectory Recovery: Evaluation Metrics and Algorithm [10.642342653937794]
  そこで我々は,様々なストローク幅の影響を排除したアダプティブ・コンベンション(AIoU)と,トラジェクティブ・ポイントアライメント問題を解決する長さ非依存動的時間ワープ(LDTW)という2つの新しい指標を考案した。 次に、複雑なグリフと長い軌跡を持つ文字に対して、PEN-Net(Parsing-and-tracing ENcoder-decoder Network)と呼ばれる新しい手書き軌道復元モデルを提案する。 実験の結果,AIoU と LDTW の2つの新しい指標は,手書き軌道復元の精度を真に評価できることがわかった。
  論文  参考訳（メタデータ） (2022-10-28T03:57:07Z)
• Sentence Representation Learning with Generative Objective rather than Contrastive Objective [86.01683892956144]
  句再構成に基づく新たな自己教師型学習目標を提案する。 我々の生成学習は、十分な性能向上を達成し、現在の最先端のコントラスト法よりも優れています。
  論文  参考訳（メタデータ） (2022-10-16T07:47:46Z)
• TRACE: A Differentiable Approach to Line-level Stroke Recovery for Offline Handwritten Text [1.559929646151698]
  ストロークオーダーとベロシティは、署名検証、手書き認識、手書き合成の分野で有用な特徴である。 オフラインテキストの長い行から時間的ストローク情報を推測するTRACEと呼ばれる新しいモデルを提案する。 TRACEはおそらく、任意の幅のテキスト行全体に対してエンドツーエンドでトレーニングされた最初のシステムである。
  論文  参考訳（メタデータ） (2021-05-24T22:15:50Z)

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。