本文提出了一种基于汉字视觉外观的表示方法，利用卷积神经网络有效表征汉字的语义和句法信息。研究探讨了字符级输入特征对文本图像生成的影响，并提出了RenderDiffusion和GlyphControl等新模型，显著提升了视觉文本的生成准确性和美学质量，推动了多模态学习的发展。