論文の概要: CoDeFont: One-Shot Font Generation via Multi-Scale Factor-Specific Representation Learning
- arxiv url: http://arxiv.org/abs/2610.21364v1
- Date: Thu, 15 Oct 2026 06:42:20 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-16 19:13:16.235602
- Title: CoDeFont: One-Shot Font Generation via Multi-Scale Factor-Specific Representation Learning
- Title（参考訳）: CoDeFont:マルチスケール因子特異的表現学習によるワンショットフォント生成
- Abstract要約: One-shot Font Generation (OFG) は、ターゲット文字の構造を保ちながら単一の参照グリフのスタイリスティックな特性を伝達することにより、ターゲットグリフを合成することを目的としている。
スクリプトに依存しないOFGフレームワークであるCoDeFontを提案する。
- 参考スコア（独自算出の注目度）: 11.163084437117488
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: One-shot Font Generation (OFG) aims to synthesize a target glyph by transferring the stylistic characteristics of a single reference glyph while preserving the structure of the target character. However, accurately capturing font style from a single reference image remains challenging due to the limited stylistic information available in a single glyph, and this challenge is further amplified for complex scripts. We propose CoDeFont, a script-agnostic OFG framework that addresses this challenge through multi-level style-content factorization and progressive style-content reconciliation. CoDeFont independently aggregates complementary style and structural information across multiple spatial levels to obtain factor-specific representations, while a contrastive objective explicitly encourages separation between style and content embeddings. During reconstruction, the disentangled representations are progressively injected through multi-level style conditioning, enabling stylistic information to be incorporated at different decoding resolutions while preserving the underlying glyph structure. We evaluate CoDeFont on structurally distinct Bengali and Latin scripts across seen and unseen font styles. Extensive quantitative and qualitative analyses demonstrate consistent improvements over existing state-of-the-art methods, highlighting the effectiveness of the proposed framework for OFG across diverse writing systems.
- Abstract（参考訳）: One-shot Font Generation (OFG) は、ターゲット文字の構造を保ちながら単一の参照グリフのスタイリスティックな特性を伝達することにより、ターゲットグリフを合成することを目的としている。
しかしながら、1つの基準画像からフォントスタイルを正確にキャプチャすることは、1つのグリフで利用可能な限られたスタイル情報のために依然として困難であり、この問題は複雑なスクリプトに対してさらに増幅されている。
スクリプトに依存しないOFGフレームワークであるCoDeFontを提案する。
CoDeFontは、複数の空間レベルにまたがる補完的なスタイルと構造情報を個別に集約し、因子特異的な表現を得る。
再構成中、アンタングル表現は多段階の条件付けによって徐々に注入され、下層のグリフ構造を保ちながら、異なる復号解像度でスタイリスティック情報を組み込むことができる。
構造的に異なるベンガル文字とラテン文字のフォントスタイルでCoDeFontを評価した。
膨大な量的および質的な分析により、既存の最先端手法よりも一貫した改善が示され、多様な書記システムにおけるOFGフレームワークの有効性が強調された。
関連論文リスト
- DRG-Font: Dynamic Reference-Guided Few-shot Font Generation via Contrastive Style-Content Disentanglement [11.163084437117488]
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。
論文 参考訳（メタデータ） (2026-04-15T12:34:46Z) - Beyond Patches: Global-aware Autoregressive Model for Multimodal Few-Shot Font Generation [24.354062542951056]
わずかなショットフォント生成(FFG)モデルは、限られた参照から構造的整合性とスタイル的忠実性を維持するのに苦労する。
マルチモーダルな少数ショットフォント生成のための新しいARフレームワークであるGAR-Fontを提案する。
GAR-Fontは既存のFFG手法より優れ、グローバルなスタイルの忠実さを維持し、テキストスタイリスティックなガイダンスで高品質な結果を達成する。
論文 参考訳（メタデータ） (2026-01-04T16:46:13Z) - 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) - Learning Generative Structure Prior for Blind Text Image
Super-resolution [153.05759524358467]
我々は、キャラクター構造にもっと焦点をあてた小説を提示する。
StyleGANの生成空間を制限するため、各文字の離散的な特徴をコードブックに格納する。
提案した構造は, 従来より強い文字特異的指導を行い, 指定された文字の忠実で正確なストロークを復元する。
論文 参考訳（メタデータ） (2023-03-26T13:54:28Z) - 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) - 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)
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。