lffont
1.0.0
AVIS: Nous libérons le référentiel de génération de polices unifié à quelques coups (Clovaai / FewShot-Font-Generation). Si vous souhaitez utiliser notre implémentation, veuillez visiter le référentiel unifié.
Implémentation officielle de Pytorch de LF-FONT | papier | papier (extension pami)
Song Park 1 * , Sanghyuk Chun 2 * , Junbum Cha 2 , Bado Lee 2 , Hyunjung Shim 1
* Contribution égale
1 École de technologie intégrée, Université Yonsei
2 CLOVA AI Research, Naver Corp.
La génération automatique de polices à quelques coups est en forte demande car les conceptions manuelles sont coûteuses et sensibles à l'expertise des concepteurs. Les méthodes existantes de génération de polices à quelques coups visent à apprendre à démêler le style et l'élément de contenu de quelques glyphes de référence et se concentrent principalement sur une représentation de style universel pour chaque style de police. Cependant, une telle approche limite le modèle en représentant divers styles locaux, et le rend ainsi inadapté au système de lettres le plus compliqué, par exemple chinois, dont les caractères consistent en un nombre variable de composants (souvent appelés "radicaux") avec une structure très complexe. Dans cet article, nous proposons une nouvelle méthode de génération de polices en apprenant des styles localisés, à savoir les représentations de style composant, au lieu de styles universels. Les représentations de style proposées nous permettent de synthétiser des détails locaux complexes dans les conceptions de texte. Cependant, l'apprentissage des styles par composants uniquement à partir de glyphes de référence est irréalisable dans le scénario de génération de polices à quelques coups, lorsqu'un script cible a un grand nombre de composants, par exemple, plus de 200 pour le chinois. Pour réduire le nombre de glyphes de référence, nous simplifions les styles en fonction des composants par un produit du facteur composant et du facteur de style, inspiré par une factorisation de matrice de bas rang. Grâce à la combinaison d'une représentation forte et d'une stratégie de factorisation compacte, notre méthode montre des résultats de génération de polices remarquablement meilleurs (avec seulement 8 images de glyphes de référence) que les autres états de l'état, sans utiliser une solide supervision de localité, par exemple, l'emplacement de chaque composant, squelette ou coups.
Vous pouvez trouver plus de projets connexes sur la génération de polices à quelques coups aux liens suivants:
Pytorch Implémentation de la génération de polices à quelques coups avec des représentations de style localisées et une factorisation .
Python> 3.6
L'utilisation de conda est recommandée: https://docs.anaconda.com/anaconda/install/linux/
pytorch> = 1.1 (recommandé: 1.1)
Pour installer: https://pytorch.org/get-started/locally/
charbonnerie
Pour installer: https://github.com/khanrc/sconf
Numpy, TQDM, LMDB, YAML, JSONLIB, MSGPACK
conda install numpy tqdm lmdb ruamel.yaml jsonlib-python3 msgpack
Le fichier de police que nous avons utilisé comme police de contenu est accessible ici.
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, Format JSON )
meta/train.json .Tester Meta ( Format JSON )
meta/test.json . Nous vous recommandons de modifier cfgs/custom.yaml plutôt que cfgs/default.yaml , cfgs/combined.yaml ou cfgs/factorize.yaml .
clés
# 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
Ce projet est distribué sous licence MIT, à l'exception de modules.py qui est adopté à partir de https://github.com/nvlabs/funit.
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.
Ce projet est basé sur 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}
}
