Few-shot Font Generation by Learning Style Difference and Similarity

要約

少数ショット フォント生成 (FFG) は、いくつかのサンプルを参照してターゲット フォントを生成しながら、元の文字の基になるグローバル構造を保持することを目的としています。
フォント ライブラリの作成、パーソナライズされた署名、およびその他のシナリオに適用されています。
既存の FFG メソッドは、参照グリフのコンテンツとスタイルを普遍的またはコンポーネントごとに明示的に解きほぐします。
ただし、異なるスタイルのグリフの違いと、同じスタイルのグリフの類似性を無視しているため、局所的な歪みやスタイルの不一致などのアーティファクトが発生します。
この問題に対処するために、異なるスタイルの違いと同じスタイルの類似性 (DS-Font) を学習することにより、新しいフォント生成アプローチを提案します。
スタイル間の正負の関係を考察するために、対照学習を導入します。
具体的には、スタイル エンコーディング用のマルチレイヤー スタイル プロジェクターを提案し、提案したクラスター レベルの対照的なスタイル (CCS) 損失を介して独特のスタイル表現を実現します。
さらに、画像のさまざまな領域を包括的に考慮し、各スタイルを個別に区別できるようにするマルチタスク パッチ ディスクリミネーターを設計します。
定性的および定量的評価を総合的に実施し、最先端の方法よりもはるかに優れた結果が得られることを実証します。

要約(オリジナル)

Few-shot font generation (FFG) aims to preserve the underlying global structure of the original character while generating target fonts by referring to a few samples. It has been applied to font library creation, a personalized signature, and other scenarios. Existing FFG methods explicitly disentangle content and style of reference glyphs universally or component-wisely. However, they ignore the difference between glyphs in different styles and the similarity of glyphs in the same style, which results in artifacts such as local distortions and style inconsistency. To address this issue, we propose a novel font generation approach by learning the Difference between different styles and the Similarity of the same style (DS-Font). We introduce contrastive learning to consider the positive and negative relationship between styles. Specifically, we propose a multi-layer style projector for style encoding and realize a distinctive style representation via our proposed Cluster-level Contrastive Style (CCS) loss. In addition, we design a multi-task patch discriminator, which comprehensively considers different areas of the image and ensures that each style can be distinguished independently. We conduct qualitative and quantitative evaluations comprehensively to demonstrate that our approach achieves significantly better results than state-of-the-art methods.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google