基于少样本字体生成模型的遗留学习策略及其在元宇宙内容自动文本设计中的应用
人机交互
2025-08-26 v2
摘要
元宇宙由硬件、软件和内容组成，其中文本设计作为内容元素在增强用户沉浸感和可用性方面发挥着关键作用。然而，在韩语和中文等需要数千个独特字形（glyph）的语言中，创建新的文本设计涉及高昂的成本和复杂性。为了解决这一问题，本研究提出了一种名为遗留学习（Legacy Learning）的训练策略，该策略基于现有文本设计模型对结构进行重组和变换。这种方法能够生成新的文本设计，并在无需人工设计流程的情况下提高质量。为了评估遗留学习，将其应用于韩语和中文文本设计。此外，我们在七个 SOTA 文本生成模型上比较了前后的结果。结果表明，使用遗留学习生成的文本设计在 Frechet Inception Distance (FID) 和 Learned Perceptual Image Patch Similarity (LPIPS) 指标上与原始设计相比显示出超过 30% 的差异，并且在视觉比较中也表现出有意义的风格变化。此外，重复的学习过程提高了生成字符的结构一致性，基于 OCR 的评估显示随着迭代的进行识别准确率不断提高，表明生成字形的易读性得到改善。另外，进行了一项系统可用性量表（SUS）调查，以评估元宇宙内容设计师和普通用户的可用性。专家组记录了 95.78 分（“最佳想象”），而非专家组得分为 76.42 分（“优秀”），表明整体具有高水平的可用性。这些结果表明，遗留学习可以显著提高元宇宙环境中文本设计的生产效率和质量。
引用
@article{arxiv.2408.16900,
title = {Legacy Learning Strategy Based on Few-Shot Font Generation Models for Automatic Text Design in Metaverse Content},
author = {Younghwi Kim and Dohee Kim and Seok Chan Jeong and Sunghyun Sim},
journal= {arXiv preprint arXiv:2408.16900},
year = {2025}
}