lffont
1.0.0
Hinweis: Wir veröffentlichen das einheitliche Repository für eine Schuss-Schriftgeneration (Clovaai/WegeShot-Font-Generation). Wenn Sie an unserer Implementierung interessiert sind, besuchen Sie bitte das Unified Repository.
Offizielle Pytorch-Implementierung von LF-font | Papier | Papier (Pami -Erweiterung)
Song Park 1* , Sanghyuk Chun 2* , Junbum Cha 2 , Bado Lee 2 , Hyunjung Shim 1
* Gleicher Beitrag
1 School of Integrated Technology, Yonsei University
2 Clova AI Research, Naver Corp.
Die automatische Erzeugung von wenigen Schäden ist sehr gefragt, da manuelle Designs teuer und empfindlich für das Know-how der Designer sind. Bestehende Methoden mit wenigen Schuss-Schriftgeneration zielen darauf ab, das Stil und das Inhaltselement ein paar Referenzglyphen zu entwirren und sich hauptsächlich auf eine universelle Repräsentation für jeden Schriftart zu konzentrieren. Ein solcher Ansatz schränkt das Modell jedoch auf die Darstellung verschiedener lokaler Stile ein und macht es daher für das komplizierteste Buchstabensystem, z. B. Chinesisch, deren Zeichen aus einer unterschiedlichen Anzahl von Komponenten (oft als "radikal" bezeichnet) mit einer hochkomplexen Struktur bestehen. In diesem Artikel schlagen wir eine neuartige Methode zur Schriftgenerierung vor, indem wir lokalisierte Stile lernen, nämlich repräsentative Stildarstellungen anstelle von universellen Stilen. Die vorgeschlagenen Stildarstellungen ermöglichen es uns, komplexe lokale Details in Textdesigns zu synthetisieren. Lernkomponenten in Bezug auf die Stile von Referenzglyphen sind jedoch im Szenario mit der Schrift Generierung von Schriftstellungen nicht zu tun, wenn ein Zielskript eine große Anzahl von Komponenten hat, z. B. über 200 für Chinesen. Um die Anzahl der Referenzglyphen zu verringern, vereinfachen wir die Komponentenstile durch ein Produkt des Komponentenfaktors und des Stilfaktors, inspiriert von einer Matrixfaktorisierung mit niedrigem Rang. Dank der Kombination aus starker Repräsentation und einer kompakten Faktorisierungsstrategie zeigt unsere Methode bemerkenswert bessere Ergebnisse der Schriftstellung von Fonet-Shot-Schrift (mit nur 8 Referenz-Glyphenbildern) als andere hochmoderne Art der Art, ohne starke Lokalitätsüberwachung, z.
Weitere verwandte Projekte finden Sie unter den folgenden Links auf der Few-Shot-Schriftart:
Pytorch-Implementierung von wenigen Schuss-Schriftarten mit lokalisierten Stildarstellungen und Faktorisierung .
Python> 3.6
Die Verwendung von Conda wird empfohlen: https://docs.anaconda.com/anaconda/install/linux/
Pytorch> = 1,1 (Empfohlen: 1.1)
Zu installieren: https://pytorch.org/get-started/locally/
sconf
Zu installieren: https://github.com/khanrc/sconf
Numpy, TQDM, LMDB, YAML, JSONLIB, MSGPACK
conda install numpy tqdm lmdb ruamel.yaml jsonlib-python3 msgpack
Auf die Schriftart, die wir als Inhaltsschrift verwendet haben, kann hier zugegriffen werden.
python build_dataset.py
--lmdb_path path/to/dump/lmdb
--meta_path path/to/meta/file
--json_path path/to/save/dict
train meta ( dict, JSON -Format )
meta/train.json .Testmeta ( Diktat, JSON -Format )
meta/test.json . Wir empfehlen, cfgs/custom.yaml anstelle von cfgs/default.yaml , cfgs/combined.yaml oder cfgs/factorize.yaml zu ändern.
Schlüssel
# Phase 1 training
python train.py
NAME_phase1
cfgs/custom.yaml cfgs/combined.yaml
# Phase 2 training
python train.py
NAME_phase2
cfgs/custom.yaml cfgs/factorize.yaml
--resume ./result/checkpoints/NAME_phase1/800000-NAME_phase1.pth
python evaluator.py
cfgs/factorize.yaml
--weight weight/generator.pth
--img_dir path/to/save/images
--test_meta meta/test.json
--data_path path/to/data
Dieses Projekt wird unter MIT -Lizenz verteilt, mit Ausnahme von modules.py, die von https://github.com/nvlabs/funit übernommen wird.
LF-Font
Copyright (c) 2020-present NAVER Corp.
Permission is hereby granted, free of charge, to any person obtaining a copy
of this software and associated documentation files (the "Software"), to deal
in the Software without restriction, including without limitation the rights
to use, copy, modify, merge, publish, distribute, sublicense, and/or sell
copies of the Software, and to permit persons to whom the Software is
furnished to do so, subject to the following conditions:
The above copyright notice and this permission notice shall be included in
all copies or substantial portions of the Software.
THE SOFTWARE IS PROVIDED "AS IS", WITHOUT WARRANTY OF ANY KIND, EXPRESS OR
IMPLIED, INCLUDING BUT NOT LIMITED TO THE WARRANTIES OF MERCHANTABILITY,
FITNESS FOR A PARTICULAR PURPOSE AND NONINFRINGEMENT. IN NO EVENT SHALL THE
AUTHORS OR COPYRIGHT HOLDERS BE LIABLE FOR ANY CLAIM, DAMAGES OR OTHER
LIABILITY, WHETHER IN AN ACTION OF CONTRACT, TORT OR OTHERWISE, ARISING FROM,
OUT OF OR IN CONNECTION WITH THE SOFTWARE OR THE USE OR OTHER DEALINGS IN
THE SOFTWARE.
Dieses Projekt basiert auf Clovaai/DMFont.
@inproceedings{park2021lffont,
title={Few-shot Font Generation with Localized Style Representations and Factorization},
author={Park, Song and Chun, Sanghyuk and Cha, Junbum and Lee, Bado and Shim, Hyunjung},
year={2021},
booktitle={AAAI Conference on Artificial Intelligence},
}
@article{park2022lffont_extension,
author={Park, Song and Chun, Sanghyuk and Cha, Junbum and Lee, Bado and Shim, Hyunjung},
journal = {IEEE Transactions on Pattern Analysis & Machine Intelligence},
title = {Few-shot Font Generation with Weakly Supervised Localized Representations},
year = {5555},
volume = {},
number = {01},
issn = {1939-3539},
pages = {1-17},
keywords = {},
doi = {10.1109/TPAMI.2022.3196675},
publisher = {IEEE Computer Society},
address = {Los Alamitos, CA, USA},
month = {aug}
}
