論文の概要: Japanese Handwriting Generation Based on Human Preference Feedback Using Direct Preference Optimization

• arxiv url: http://arxiv.org/abs/2610.14743v1
• Date: Sat, 10 Oct 2026 09:03:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-20 11:54:31.309155
• Title: Japanese Handwriting Generation Based on Human Preference Feedback Using Direct Preference Optimization
• Title（参考訳）: 直接選好最適化を用いた人間の選好フィードバックに基づく日本語手書き文字生成
• Abstract要約: 手書きでは、グリフの形状は同一の作者が同じ文字を書いても正確には一致しない。 筆跡の多様性は、人間の筆跡の自然な性質を伝えるために不可欠である。 筆跡生成のトレーニングループには,人間の知覚フィードバックが組み込まれている。 我々の生成モデルに効率的なRLフリー選好最適化手法であるDPOを適用し、大規模なデータセット収集に頼ることなく高品質な手書き文字生成を可能にする。
• 参考スコア（独自算出の注目度）: 0.17499351967216337
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We propose a Japanese handwriting generation framework that integrates human preference feedback using Direct Preference Optimization (DPO) to align generative models with human cognitive and stylistic preferences. While font generation technologies leveraging Generative Adversarial Networks and diffusion models have advanced significantly, applying these approaches to handwriting generation presents unique challenges. Font generation is a deterministic process yielding consistent styles. Handwriting generation, on the other hand, is inherently non-deterministic. In handwriting, glyph shapes never match exactly even when the same writer writes the same character. We define this shape difference as handwriting variability. Although this variability is essential for conveying the natural quality of human writing, it complicates model training and substantially increases data collection costs to capture diverse distribution patterns. To address these limitations, we incorporate human perceptual feedback into the training loop of handwriting generation. While collecting extensive handwritten data is costly, evaluating pairwise preferences between two generated samples remains very easy for humans. Applying DPO, an efficient RL-free preference optimization method, to our generation model enables high-quality handwriting generation without relying on large-scale dataset collection. Experimental results across four distinct Japanese handwriting styles demonstrate that DPO-based training enhances overall structural accuracy. However, in highly complex styles with significant variability, such as brush pen writing, the model fails to capture style-specific features. These findings highlight a critical challenge in extending DPO to complex handwriting styles.
• Abstract（参考訳）: そこで本研究では,人間の嗜好フィードバックをDPO(Direct Preference Optimization)を用いて統合し,生成モデルと人間の認知的・スタイリスティックな嗜好を整合させる手書き生成フレームワークを提案する。 生成逆数ネットワークと拡散モデルを利用したフォント生成技術は著しく進歩しているが、これらのアプローチを手書き生成に適用することはユニークな課題である。 フォント生成は、一貫したスタイルをもたらす決定論的プロセスである。 一方、手書き生成は本質的に非決定論的である。 手書きでは、グリフの形状は同一の作者が同じ文字を書いても正確には一致しない。 この形状の違いを手書きのバリエーションとして定義する。 この可変性は、人間の文章の自然な品質を伝えるために不可欠であるが、モデルの訓練を複雑化し、多様な分布パターンを捉えるためにデータ収集コストを大幅に増加させる。 これらの制約に対処するため、筆跡生成のトレーニングループに人間の知覚フィードバックを組み込む。 大規模な手書きデータ収集はコストがかかるが、2つの生成されたサンプル間のペアの好みを評価することは、人間にとって非常に容易である。 我々の生成モデルに効率的なRLフリー選好最適化手法であるDPOを適用し、大規模なデータセット収集に頼ることなく高品質な手書き文字生成を可能にする。 4つの異なる日本語手書きスタイルによる実験結果から,DPOに基づく学習が全体的な構造的精度を向上させることが示された。 しかし、ブラシペンの筆記のような大きなバリエーションを持つ非常に複雑なスタイルでは、モデルはスタイル固有の特徴を捉えることができない。 これらの知見は、DPOを複雑な手書きスタイルに拡張する上で重要な課題を浮き彫りにした。

関連論文リスト

• HandwritingAgent: Language-Driven Handwriting Synthesis in Scalable Vector Space [12.612154268994184]
  HandwritingAgentは、言語駆動のエージェントで、スタイル固有のトレーニングを必要とせずに、SVGフォーマットで自然な手書きシーケンスを直接合成できる。 模倣、認識、多言語手書き合成、複雑な手書き数学や科学表現の生成にまたがる多様な手書き作業の実験は、性能の大幅な向上を示している。
  論文  参考訳（メタデータ） (2026-06-17T08:02:19Z)
• DNA: Dual-branch Network with Adaptation for Open-Set Online Handwriting Generation [28.985690380954765]
  本稿では,オンライン手書き文字生成手法について紹介する。本手法では,テスト中に生成した文字と書き手のスタイルが学習中に見つからない。 本稿では,適応型スタイルブランチと適応型コンテンツブランチからなるDual-Branch Network with Adaptation (DNA)を提案する。 我々のDNAモデルは、見えないOHG設定に適しており、最先端のパフォーマンスを実現しています。
  論文  参考訳（メタデータ） (2025-11-27T03:30:22Z)
• DiffInk: Glyph- and Style-Aware Latent Diffusion Transformer for Text to Online Handwriting Generation [41.08176249345279]
  DiffInkは、完全な手書き文字を生成するための最初の遅延拡散トランスフォーマーフレームワークである。 InkVAEは2つの相補的な潜在空間正規化損失で拡張された新しい逐次変分オートエンコーダである。 次に、ターゲットテキストと参照スタイルを統合し、コヒーレントペントラジェクトリを生成する新しい遅延拡散変換器InkDiTを紹介する。
  論文  参考訳（メタデータ） (2025-09-28T03:58:15Z)
• 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)
• DiffusionPen: Towards Controlling the Style of Handwritten Text Generation [7.398476020996681]
  DiffusionPen (DiffPen) は遅延拡散モデルに基づく5ショットスタイルの手書きテキスト生成手法である。 提案手法は,文字と文体の特徴の両面を抽出し,現実的な手書きサンプルを生成する。 提案手法は,既存の手法を質的かつ定量的に上回り,その付加データにより手書き文字認識(HTR)システムの性能を向上させることができる。
  論文  参考訳（メタデータ） (2024-09-09T20:58:25Z)
• Sampling and Ranking for Digital Ink Generation on a tight computational budget [69.15275423815461]
  トレーニングされたデジタルインク生成モデルの出力品質を最大化する方法について検討する。 我々は、デジタルインク領域におけるその種類に関する最初のアブレーション研究において、複数のサンプリングとランキング手法の効果を使用、比較する。
  論文  参考訳（メタデータ） (2023-06-02T09:55:15Z)
• 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)
• 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)
• Generating Handwriting via Decoupled Style Descriptors [28.31500214381889]
  本稿では,手書き文字のデクリプタモデルについて紹介する。 キャラクタレベルのスタイルとライタレベルのスタイルの両方を規定し、私たちのモデルが全体的なスタイルの空間を表現できるようにします。 実験では, 得られた結果の88%が, アートベースライン法の現状よりも好適であった。
  論文  参考訳（メタデータ） (2020-08-26T02:52:48Z)

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。