[1] [Handwritten Chinese Font Generation with Collaborative Stroke Refinement]之数据增长实现

[1] [Handwritten Chinese Font Generation with Collaborative Stroke Refinement]之数据增长实现

版权归属:

更多关注:

1.原理

《Handwritten Chinese Font Generation with Collaborative Stroke Refinement》arxiv.org/abs/1904.13268

文中网络架构图如下:
在这里插入图片描述
图中的online zoom-augmentation是实现网络训练时,对输入数据进行水平垂直方向上的transform
在这里插入图片描述

2.编码实现

def hv_transform(self, image):
        '''
        '''
        orig_shp = image.shape

        image = tf.cast(image, tf.float32)

        rd = tf.random.uniform([])
        less_than_025 = tf.less(rd, tf.constant(0.25))
        less_than_050 = tf.less(rd, tf.constant(0.50))
        less_than_075 = tf
  • 0
    点赞
  • 1
    收藏
    觉得还不错? 一键收藏
  • 4
    评论
CycleGAN是一种深度学习模型,可以用于生成逼真的手写中文字符。它使用两个生成器和两个判决器构建,其中一个生成器可以将真实的手写中文字符转化为印刷体中文字符,另一个生成器则可以将印刷体中文字符转化为手写中文字符。 该模型的训练过程中,使用了两个损失函数:对抗损失和循环一致性损失。对抗损失确保生成的手写中文字符与真实的手写字符在外观上足够相似,而循环一致性损失则确保生成器能够保持原始字符的语义信息。 具体的训练步骤如下: 1. 收集并准备一个手写中文字符数据集和一个印刷体中文字符数据集,两者应有一定的对应关系。 2. 使用一个生成器将手写中文字符转化为印刷体中文字符,并使用一个判决器来辨别生成的印刷体字符和真实的印刷体字符。 3. 使用对抗损失函数来优化生成器和判决器,使生成的印刷体字符和真实的印刷体字符难以区分。 4. 使用另一个生成器将印刷体中文字符转化为手写中文字符,并使用另一个判决器来辨别生成的手写字符和真实的手写字符。 5. 使用对抗损失函数优化第二个生成器和判决器,使生成的手写字符和真实的手写字符难以区分。 6. 使用循环一致性损失函数来保证生成器的输出与原始字符之间的一致性,避免信息丢失。 7. 重复以上步骤,直到模型收敛。 通过这种训练方式,CycleGAN能够生成逼真的手写中文字符,同时保持其原有语义信息和外观特征。它可以应用于文书处理、字体设计等领域,为用户提供更多样化的中文字符选择。
评论 4
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值