可靠的自回归式样式文本图像生成
计算机视觉与模式识别
2025-12-01 v2
摘要
生成忠实且可读的样式文本图像（尤其是样式手写文本生成 - HTG）仍是开放问题，相关研究致力于开发复现特定书写者风格特征的方法，近期提出的自回归 Transformer 方法在风格忠实度和泛化性方面取得了有希望的成果。然而，该方法需要额外输入、缺乏适当的停止机制，可能陷入重复循环，产生视觉瑕疵。本文重新构思自回归表述，将 HTG 作为多模态提示条件生成任务，通过引入特殊文本输入标记以更好地对齐视觉标记，解决内容可控性问题。此外，我们构思了基于分类器自由指导的自回归模型策略。通过大量实验验证，我们展示的该方法（称为 Eruku）相较于前述方案需要更少输入、对未见风格的泛化更好、更忠实地遵循文本提示，从而提高内容一致性。
引用
@article{arxiv.2510.23240,
title = {Autoregressive Styled Text Image Generation, but Make it Reliable},
author = {Carmine Zaccagnino and Fabio Quattrini and Vittorio Pippi and Silvia Cascianelli and Alessio Tonioni and Rita Cucchiara},
journal= {arXiv preprint arXiv:2510.23240},
year = {2025}
}
备注
Accepted at WACV2026