字体选择调研

（1）“Impressions2Font: Generating Fonts by Specifying Impressions (paper)”，arXiv preprint

          简述：Conditional GAN（CGAN），英文字符。接收任意数量的印象词(impression words)作为条件(condition)生成字体图像，其中提供的印象词可以包括未学过的词。基于词嵌入技术的印象嵌入模块（impression embedding module）将印象词转换为软约束向量。使用K个印象词词表的one-hot表示作为外界条件 yt/g ，来生成具有one-hot表示所指定印象的字体图像。

          数据集：MyFonts数据集，包括了MyFonts.com上的18815个字体和1824个印象词。

          数据集示意图：
      

          框架图：

          

          印象嵌入模块：利用印象词的语义相似度来处理印象词之间的相互关系，具体来说，该模块采用词嵌入技术将每个词转换为其实值语义向量并使用外部大规模文本语料库进行训练。使用大规模文本语料库进行训练的词嵌入模块会对具有相似含义的词给出相似的语义向量，因此，使用这种语义向量表示作为实值条件，多个印象词之间的相互关系会自然地纳入CGAN框架。

          

          贡献：（1）可以指定多个印象词来生成字体图像；（2）可以使用训练时没用到的印象词，即未学习的印象词来生成字体图像；（3）缓解了数据不平衡问题。印象嵌入模块中，相似且主要的印象词会通过自动实例分享的方式帮助稀少的印象词训练。（4）印象嵌入模块缓解了噪声标签问题。字体的印象词往往主观且嘈杂，该模块在内部将硬one-hot约束转化为软实值约束来减弱 noisy label 的影响。

（2）“Let Me Choose: From Verbal Context to Font Selection (paper)” ， Adobe Research ，ACL 2020 （code）

          简述：根据文本上下文选择合适的字体，主要贡献是做了数据集。选择了1309个短文本实例，包括海报、传单、励志名言和广告中的各种主题；选择了十种在印刷文学中常用的字体进行标注，标签为这句文本使用这个字体合适的概率，总概率为1。模型上使用四种预训练模型（BERT Model、NRC Model、Glove-BilSTM Model、Emoji Model）进行迁移学习，从中学习字体分布。损失函数使用KL-DIV loss 。

          数据集示例（使用一致性最高的字体呈现）：
          

          字体：

          

          标签示例：

（3）“Fonts Like This but Happier: A New Way to Discover Fonts (paper)”，ACM MM 2020

          简述：多模态，用户提供参考字体和想要的变化，生成符合这种变化的字体。

          效果图：