- 博客(72)
- 资源 (5)
- 收藏
- 关注
RSS订阅原创 Domain Enhanced Arbitrary Image Style Transfer via Contrastive Learning
在这项工作中，我们使用一种新颖的风格特征表示学习方法来解决任意图像风格转移的挑战性问题。合适的风格表示作为图像风格化任务的关键组成部分，对于获得满意的结果至关重要。现有的基于深度神经网络的方法在内容特征的Gram矩阵等二阶统计量的指导下取得了合理的结果。然而，它们没有利用足够的风格信息，这会导致诸如局部失真和风格不一致之类的伪影。为解决这个问题，我们通过分析多种风格之间的异同，并考虑风格分布，提出直接从图像特征中学习风格表征，而不是从图像特征的二阶统计中学习。
2023-10-08 21:50:44
588
原创 DS-font
少镜头字体生成（FFG）旨在保留原始字符的底层全局结构，同时通过参考一些样本生成目标字体。它已应用于字体库创建、个性化签名等场景。现有的FFG方法明确地将参考字形的内容和风格普遍地或明智地分解。然而，它们忽略了不同风格的字形之间的差异和同一风格的字形的相似性，这导致了局部失真和风格不一致等伪影。为了解决这个问题，我们提出了一种新的字体生成方法，通过学习不同风格之间的差异和相同风格的相似性（DS字体）。我们引入对比学习来考虑风格之间的积极和消极关系。
2023-07-04 17:06:26
602
翻译 MFnet
创建一个完整的风格化字体库，帮助观众从文本中感知信息，通常需要多年的学习和熟练使用许多专业工具。因此，基于深度学习的自动风格化字体生成是一项令人向往但具有挑战性的任务，近年来受到了广泛关注。本文回顾了最先进的风格化字体生成方法，并提出了基于深度学习的风格化字体生成的分类。尽管现有模型，风格化的多语言字体生成性能显著，但将特定字体样式应用于多种语言的不同字符的任务从未被报道过。在众多需要与国际受众进行交流的应用场景中，高效经济的风格化多语言字体生成方法是必不可少的。
2023-04-17 19:07:45
710
1
原创 FsFont--通过学习细粒度局部样式生成少样本字体
通过少量示例生成新字体的FFG (few -shot font generation)，因大幅降低人工成本而受到越来越多的关注。典型的FFG管道将标准字体库中的字符视为内容字形，并通过从参考字形提取样式信息将它们转移到新的目标字体。大多数现有的解决方案明确地全局或组件地分离参考符号的内容和样式。而字形的风格主要体现在局部细节上，即偏旁、组份、笔画的风格共同描绘了一个字形的风格。因此，即使是单个字符也可以包含分布在空间位置上的不同样式。实验结果表明，该方法在FFG中的性能优于现有方法。
2023-04-01 22:20:25
969
原创 CF-Font
内容与样式的分离是实现少镜头字体生成的有效途径。它允许将源域中的字体图像的样式转换为目标域中由一些参考图像定义的样式。但是，使用代表性字体提取的内容特征可能不是最佳的。基于此，我们提出了一种内容融合模块(CFM)，将内容特征投影到由基本字体内容特征定义的线性空间中，该空间可以考虑不同字体引起的内容特征的变化。我们的方法还允许通过轻量级迭代风格向量细化(ISR)策略优化参考图像的风格表示向量。此外，我们将字符图像的1D投影作为一个概率分布，并利用两个分布之间的距离作为重建损失(即投影字符损失，PCL)。与L2
2023-03-29 21:02:06
774
1
原创 FTransGAN，复习细节以及数据集加载
以前的大多数作品都是通过将给定子集的风格转移到未见子集的内容来解决这个问题的。然而，他们只关注同一语言中的字体样式转换。在许多任务中，我们需要学习一种语言的字体信息，然后将其应用到其他语言。现有的方法很难完成这样的任务。
2023-03-25 10:17:41
496
原创 AEGN复现细节、环境配置以及bug解决方案
研究了中国书法图像合成问题:从标准字体(如汉字)合成具有特定风格的中国书法图像。黑体字)图像(图1(a))。目前的工作多采用行程提取和装配管道，过程复杂，受行程提取效果的限制。我们将书法合成问题视为图像到图像的转换问题，提出了一种基于深度神经网络的模型，可以直接从标准字体图像生成书法图像。此外，我们还构建了一个包含各种风格的中国书法综合的大型基准。我们在所提出的数据集上评估了我们的方法以及一些基线方法，实验结果证明了我们提出的模型的有效性。
2023-03-14 16:44:10
474
4
原创 dfs--基于深度特征相似性的少镜头文本样式转移
对于图像处理来说，仅用少数观察到的高度程式化的文本样本生成具有一致风格的文本是一项困难的任务。应考虑涉及版式的文本样式，即字体、笔画、颜色、装饰、效果等。在本文中，我们提出了一种新的方法，==通过从少数参考样本中解码加权深度特征来对目标文本进行风格化。== 深层特征，包括每个引用文本的内容和风格特征，都是从卷积神经网络(CNN)中提取出来的，该网络为字符识别进行了优化。然后，在只考虑内容的情况下，通过测量与CNN内容特征沿相应通道的距离，计算目标文本与参考样本的相似度得分，并将其作为深度特征聚合的权重。
2023-03-11 17:33:40
283
原创 FUNIT
无监督图像到图像转换方法学习将给定类中的图像映射到不同类中的类似图像，使用非结构化(非注册)图像数据集。虽然非常成功，但目前的方法需要在训练时访问源类和目标类中的许多图像。我们认为这极大地限制了它们的使用。从人类从少量示例中提取新对象的本质并从中进行概括的能力中汲取灵感，我们寻求一种少量镜头，无监督的图像到图像的转换算法，该算法适用于以前未见过的目标类，在测试时，仅由少量示例图像指定。我们的模型通过将对抗性训练方案与新颖的网络设计耦合起来，实现了这种少数射击生成能力。
2023-03-06 16:43:12
597
原创 mx-font
字体生成(FFG)方法必须满足两个目标:生成的图像既要保留目标字符的底层全局结构，又要呈现多样化的局部参考风格。现有的FFG方法旨在通过提取通用表示样式或提取多个组件样式表示来分离内容和样式。然而，以往的方法要么无法捕捉不同的本地风格，要么无法推广到具有看不见的组件的字符，例如看不见的语言系统。为了缓解这些问题，我们提出了一种新的FFG方法，称为多本地化专家少镜头F - ont生成网络(MXF - ont)。MX-F ont提取多种风格特征，而不是明确地以组件标签为条件，而是由多个专家自动表示不同的局部概念
2023-03-05 22:27:22
658
原创 softmax与torch.nn.Parameter 参数相关的介绍和使用
softmax与torch.nn.Parameter 参数相关的介绍和使用
2023-02-27 21:28:48
107
原创 汉字----dgfont
字符生成是一个具有挑战性的问题，特别是对于一些由大量字符组成的书写系统，近年来受到了广泛的关注。然而，现有的字体生成方法通常是在监督学习中。它们需要大量的配对数据，这是劳动密集型和昂贵的收集。此外，常见的图像到图像转换模型通常将风格定义为纹理和颜色的集合，这不能直接应用于字体生成。为了解决这些问题，我们提出了用于无监督字体生成的新型可变形生成网络(DGFont)。我们引入了一种特征变形跳过连接(FDSC)，它预测位移映射对，并利用预测的映射对来自内容编码器的低级特征映射应用可变形卷积。FDSC的输出被送入
2023-02-19 20:41:10
966
原创 汉字风格迁移---dgfont++：用于无监督字体生成的健壮的可变形生成网络
dgfont的增强版，与之前的版本相比，增加了以下内容。(1)提出了一种更鲁棒的风格特征提取方法。我们引入字体的数据增强操作来构造字符的正对等体，并引入对比损失来帮助模型学习更好的表示。(2)将局部空间注意整合到FDSC模块中，即FDSC-attn。(3)通过实验对dgfont++的功能进行了烧蚀和分析。(4)我们对不同尺寸的图像进行更全面的实验，并与最先进的方法进行比较。
2023-02-08 16:30:12
1011
1
原创 汉字风格迁移篇---Fontfusion用于广义稳定字体融合网络的解纠缠表示学习gan
本文提出了基于生成对抗网络(GANs)和解纠缠表示学习的字体融合网络来生成全新的字体。它把字体分成两个容易理解的特征:笔画风格和骨架形状。根据个人喜好，融合不同字体的笔画风格和骨架形状，可以生成多种风格的各种新字体。首先，这项任务提高了深度学习的可解释性，并且比简单地模仿字体样式更具挑战性。其次，考虑到网络的鲁棒性，提出了一种模糊监督学习方法来提高差异较大的两种字体融合的稳定性。
2022-12-29 10:33:00
514
6
原创 汉字风格迁移篇---基于对位法的中国书法生成方法
对Pix2Pix模型进行了改进，采用了一种新的神经算子——对折运算(involution)，该算子比仅使用卷积的模型更注重空间特征处理，能够更好地处理笔画之间的关系，从而使生成的书法字符具有准确的笔画结构。同时还加入了自关注模块和残差块，增加网络深度，提高模型的特征处理能力。
2022-12-28 20:05:34
1058
原创 汉字风格迁移----FtransGAN
1、引入了两个新颖的模块，==上下文感知注意力网络和层注意力网络，以同时捕获局部和全局风格特征。==2、==该模型的架构允许任意数量的输入样式图像，因此它可以在任何语言之间传输样式，而不受字符数量的限制。==3、我们构建了一个新的多语言字形图像数据集，该数据集由847个字体组成，每个字体包含52个英文字母和1000多个中文字符。
2022-12-15 20:10:38
1592
2
原创 汉字风格迁移篇--KAGAN:一种中国诗歌风格转换的方法
汉字体例转移方法备受关注，如基于卷积神经网络(cnn)的方法，如Rewrite[7]和作者后来改进的方法Zi2zi[8]，该方法使用生成对抗网络(GAN)[9-11]生成目标体例的汉字图像。这些方法大多集中在单个汉字形象上，而忽略了像中国诗歌形象那样对汉字整体形象风格转换的需求。
2022-12-15 09:28:48
644
原创 汉字风格迁移篇---MF-NET一种新颖的少镜头风格化多语言字体生成
提出了一种通过快速前馈网络多语言字体生成网络（MF-Net）生成少镜头多语言风格化字体的解决方案，该网络可以将以前看不见的字体样式从几个样本转换为以前看不到的语言中的字符。根据生成对抗网络（GAN）框架，MF-Net在生成器中采用两个独立的编码器来分离字体图像的内容和样式信息。我们在风格编码器中采用注意力模块来提取浅和深风格特征。此外，我们还设计了一种新颖的语言复杂性感知跳跃连接，以自适应调整要保留的结构信息。
2022-12-11 21:58:55
855
2
原创 汉字风格迁移篇---SKFont：具有条件深度对抗网络的骨架驱动韩文字体生成器
使用一个端到端的条件深度对抗网络和一小部分朝鲜文字（朝鲜文）样本来研究字体合成问题。
2022-12-09 21:33:24
948
原创 汉字风格迁移篇----CS-GAN：中国书法翻译的跨结构生成对抗网络
为了解决跨结构图像翻译问题，如中国书法的跨结构翻译问题，本文提出了一种新的生成对抗网络模型CS-GAN。在CSGAN中，使用分布变换、重参数化技巧 和 采样特征将从域S获得的特征映射转换为域T，然后通过特征拼接生成域T的图像。所提出的CS-GAN在三组中国书法数据上进行了验证，这些数据具有来自三位著名书法家颜真卿、赵孟頫和欧阳询的结构差异。广泛的实验结果表明，所提出的CS-GAN成功地转换了不同结构的中国书法数据，并优于最先进的模型。
2022-12-07 11:46:47
519
原创 汉字风格迁移篇--中文字体的多任务对抗学习
1、为了解决这个问题，本文提出了一种称为MTfontGAN的多任务对抗性学习方法，以生成更生动的汉字。2、MTfontGAN学习同时将参考字体传输到多个目标字体。3、对不同任务的编码器进行对齐，以使它们专注于一般风格转换中字符的重要部分。4、这种在特征级别的跨任务交互有效地提高了MTfontGAN的泛化能力。5、在三个中文字体数据集上评估了MTfontGAN的性能。6、实验结果表明，MTfontGAN在单个任务设置中优于最先进的算法。更重要的是，增加任务数量可以提高所有任务的性能。
2022-12-01 11:57:28
572
原创 汉字风格迁移篇---W-net：基于深度神经网络的一次任意风格汉字生成
由于类别数量巨大，各种笔画和部首的复杂组合，以及自由书写或印刷风格，生成具有多种风格的汉字一直被认为是一项艰巨的任务。*本文介绍了一种有效的、广义的深度框架，即W-Net，用于一次性任意风格汉字生成任务。*
2022-11-19 15:56:56
1702
3
原创 汉字风格迁移篇----EasyFont：一个基于风格学习的系统，可以轻松构建大规模手写字体
生成具有大量字符的个人手写字体是一项枯燥而耗时的任务。例如，商业字体产品的官方标准GB18030-2000由27533个汉字组成。对于普通人来说，始终如一、正确地写出如此庞大的字符通常是一项不可能完成的任务。为了解决这个问题，我们提出了一个名为EasyFont的系统，通过从少量（少至1%）由普通人精心挑选的样本中学习风格，自动合成字体库中所有（例如，中文）字符的个人手写体。我们系统的主要技术贡献有两方面。首先，我们设计了一种有效的笔划提取算法，该算法从经过训练的字体骨架流形中构造最适合的参考数据，然后通过非
2022-11-16 18:44:25
1341
2
原创 蓝桥杯python组--基础训练---3、将一个正整数分解质因数，例如：输入90，输出2*3*3*5
将一个正整数分解质因数，例如：输入90，输出2*3*3*5分析：从2开始向数本身遍历，能整除的肯定是最小的质数。
2022-11-01 20:25:25
650
原创 蓝桥杯python组--基础训练---2、#一个数如果恰好等于它的因子之和，这个数就称为“完数”，；例如：6=1+2+3,找出1000以内的
# 题目找出n以内的完数，如1000以内。**完全数**（Perfect number），又称完美数或完备数，是一些特殊的自然数。它所有的真因子（即除了自身以外的约数）的和（即因子函数），恰好等于它本身。 例如：6=1+2+3；28=1+2+4+7+14；.....
2022-10-31 13:53:46
3123
原创 汉字风格迁移篇---汉字笔划提取、数据集和基准的实例分割
笔画是汉字的基本元素，笔画提取一直是一项重要而长期的工作。由于训练数据有限，现有的笔划提取方法通常是手工制作的，并且高度依赖于领域专业知识。此外，没有标准化的基准来提供不同笔画提取方法之间的公平比较，我们认为，这是发展汉字笔画理解和相关任务的主要障碍。在这项工作中，我们提出了第一个公开可用的汉字笔划提取（CCSE）基准，包括两个新的大规模数据集：Kaiti CCSE（CCSE-Kai）和手写CCSE（CC SE-HW）。
2022-10-30 18:51:28
1209
原创 看得更近，监督得更好：通过基于组件的鉴别器一次性生成字体
由于具有复杂结构的大量字符，自动字体生成仍然是一个具有挑战性的研究问题。通常，只有少数样本可用作样式/内容参考（称为少数镜头学习），这进一步增加了保存局部样式模式或详细字形结构的难度。我们调查了先前研究的缺陷，发现粗粒度鉴别器不足以监督字体生成器。为此，我们提出了一种新的组件感知模块（CAM），它监督生成器在更细粒度的级别（即组件级别）上解耦内容和样式。不同于以往努力增加生成器复杂性的研究，我们旨在对相对简单的生成器执行更有效的监督，以实现其全部潜力，这是字体生成的全新视角。整个框架通过将组件级监督与对抗式
2022-09-18 19:40:35
665
原创 汉字风格迁移篇---中文字体风格迁移的多任务对抗学习
由于汉字的复杂性和字体之间的显著差异，中文字体之间的抽象风格转换具有挑战性。用于此任务的现有算法通常学习每个字符的参考字体和目标字体之间的映射。随后，此映射用于生成目标字体中不存在的字符。然而，可用于训练的字符不可能覆盖丢失字符的所有细粒度部分，从而导致过拟合问题。结果，生成的目标字体的字符可能会遇到不完整或甚至部首和脏点的问题。为了解决这个问题，本文提出了一种多任务对抗式学习方法，称为MTfontGAN，以生成更生动的汉字。MTfontGAN学习将参考字体同时传输到多个目标字体。对不同任务的编码器进行对齐
2022-09-05 15:02:55
1148
4
基于pytorch的GAN.py代码
2022-04-25
复现HCCG-cycleGAN和zi2zi（官方）
2022-11-19
TA创建的收藏夹 TA关注的收藏夹
TA关注的人