通过迁移相似性引导全局风格与量化局部风格的少样本字体生成
计算机视觉与模式识别
2023-09-15 v2
摘要
自动少样本字体生成(AFFG)旨在仅以少量字形参考生成新字体，降低了人工设计字体的劳动成本。然而，传统的风格-内容解耦AFFG范式无法捕捉不同字体的多样局部细节。因此，许多基于部件的方法被提出以解决该问题。基于部件方法的问题在于其通常需要预定义的特殊字形部件（如笔画和偏旁），这对不同语言的AFFG不可行。本文中，我们提出一种新颖的字体生成方法，通过聚合来自字符相似性引导的全局特征与风格化部件级表示的风格。我们通过沿内容特征对应通道度量距离计算目标字符与参考样本的相似性分数，并将其作为聚合全局风格特征的权重。为更好捕捉局部风格，采用基于交叉注意力的风格迁移模块将参考字形的风格迁移至部件，其中部件是通过向量量化自学习的离散隐码，无需人工定义。借助这些设计，我们的AFFG方法可获得完整的部件级风格表示集，并控制全局字形特征。实验结果反映了所提方法在不同语言书写系统上的有效性与泛化性，并显示出优于其他最先进方法的性能。源代码见https://github.com/awei669/VQ-Font。
引用
@article{arxiv.2309.00827,
title = {Few shot font generation via transferring similarity guided global style and quantization local style},
author = {Wei Pan and Anna Zhu and Xinyu Zhou and Brian Kenji Iwana and Shilin Li},
journal= {arXiv preprint arXiv:2309.00827},
year = {2023}
}
备注
Accepted by ICCV 2023