Skip to main content
Fachgebiete
Automobil + Motoren Bauwesen + Immobilien Business IT + Informatik Elektrotechnik + Elektronik Energie + Nachhaltigkeit Finance + Banking Management + Führung Marketing + Vertrieb Maschinenbau + Werkstoffe Versicherung + Risiko
DE
EN
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Bücher
Zeitschriften
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
ATZ-Fachkongress

Chassis.tech plus 2024


4 Kongresse in einer Veranstaltung

Treffen Sie in München die Fachleute von Chassis, Lenkung, Bremsen sowie Reifen/Räder.
Erweiterte Suche
Anmelden
nach oben
Erschienen in:
Anti-occlusion Light-Field Optical Flow Estimation Using Light-Field Super-Pixels Kapitel lesen Erstes Kapitel lesen

2019 | OriginalPaper | Buchkapitel

Font Style Transfer Using Neural Style Transfer and Unsupervised Cross-domain Transfer

verfasst von : Atsushi Narusawa, Wataru Shimoda, Keiji Yanai

Erschienen in: Computer Vision – ACCV 2018 Workshops

Verlag: Springer International Publishing

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Abstract

In this paper, we study about font generation and conversion. The previous methods dealt with characters as ones made of strokes. On the contrary, we extract features, which are equivalent to the strokes, from font images and texture or pattern images using deep learning, and transform the design pattern of font images. We expect that generation of original font such as hand written characters will be generated automatically by the proposed approach. In the experiments, we have created unique datasets such as a ketchup character image dataset and improve image generation quality and readability of character by combining neural style transfer with unsupervised cross-domain learning.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe




 

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Jetzt Wissensvorsprung sichern!

Jetzt informieren
Vorheriges Kapitel Word-Conditioned Image Style Transfer
Nächstes Kapitel Paying Attention to Style: Recognizing Photo Styles with Convolutional Attentional Units
Fußnoten
Literatur
1.
Ulyanov, D., Lebedev, V., Lempitsky, A.V.: Texture networks: feed-forward synthesis of textures and stylized images. In: arXiv:​1603.​03417v1 (2016)
2.
Gantugs, A., Iwana, B.K., Narusawa, A., Yanai, K., Uchida, S.: Neural font style transfer. In: International Conference on Document Analysis and Recognition (2017)
3.
Gatys, L.A., Ecker, A.S., Bethge, M.: Image style transfer using convolutional neural networks. In: Proceedings of IEEE Computer Vision and Pattern Recognition (2016)
4.
Johnson, J., Alahi, A., Fei-Fei, L.: Perceptual losses for real-time style transfer and super-resolution. In: Proceedings of European Conference on Computer Vision (2016)
5.
Jun-Yan, Z., Taesung, P., Phillip, I., Alexei, E.: Unpaired image-to-image translation using cycle-consistent adversarial networks. In: Proceedings of IEEE International Conference on Computer Vision (2017)
6.
7.
Li, C., Wand, M.: Combining Markov random fields and convolutional neural networks for image synthesis. In: Proceedings of IEEE Computer Vision and Pattern Recognition (2016)
8.
Lin, J., Hong, C., Chang, R., Wang, Y., Lin, S., Ho, J.: Complete font generation of Chinese characters in personal handwriting style. In: 2015 IEEE 34th International Performance Computing and Communications Conference (IPCCC), pp. 1–5. IEEE (2015)
9.
Miyazaki, T., et al.: Automatic generation of typographic font from a small font subset. In: arXiv preprint arXiv:​1701.​05703 (2017)
10.
Phillip, I., Jun-Yan, Z., Tinghui, Z., Alexei, E.: Image-to-image translation with conditional adversarial networks. In: Proceedings of IEEE Computer Vision and Pattern Recognition (2017)
11.
Shuai, Y., Jiaying, L., Zhouhui, L., Zongming, G.: Awesome typography: statistics-based text effects transfer. In: Proceedings of IEEE Computer Vision and Pattern Recognition (2016)
12.
Songhua, X., Lau, F.C.M., Kwok-Wai, C., Yunhe, P.: Automatic generation of artistic Chinese calligraphy. In: IEEE Intelligent Systems (2005)
13.
Taigman, Y., Polyak, A., Wolf, L.: Unsupervised cross-domain image generation. In: International Conference on Learning Representation (2017)
14.
Yi, Z., Zhang, H., Tan, P., Gong, M.: DualGAN: unsupervised dual learning for image-to-image translation. In: Proceedings of IEEE International Conference on Computer Vision, pp. 2849–2857 (2017)
15.
Zong, A., Zhu, Y.: StrokeBank: automating personalized Chinese handwriting generation. In: Advancement of Artificial Intelligence, pp. 3024–3030 (2014)
Metadaten
Titel
Font Style Transfer Using Neural Style Transfer and Unsupervised Cross-domain Transfer
verfasst von
Atsushi Narusawa
Wataru Shimoda
Keiji Yanai
Copyright-Jahr
2019
Buch
Computer Vision – ACCV 2018 Workshops

Print ISBN: 978-3-030-21073-1

Electronic ISBN: 978-3-030-21074-8

Copyright-Jahr: 2019

DOI
https://doi.org/10.1007/978-3-030-21074-8_9

Premium Partner

    Bildnachweise