本文探讨了使用生成对抗网络（GAN）进行无监督汉字风格迁移，以解决设计新字体的高昂成本和时间消耗问题。研究中，提出了三种配对策略：强配对、软配对和随机配对，并在不同策略下分析了模型性能。实验表明，即使在随机配对策略下，模型也能学习到衬线特征。此外，模型还能应用于书法字体和其他亚洲语言的风格转移。预训练和损失函数的选择对模型性能有显著影响。
文章目录
- 1、问题陈述
- 2相关工作和动机
- 3 Proposed Approach
- 4 Data Description
- 5 Model Description
- 6 Experiments
-
- 6.1 Transfer performance under strong pair policy
- 6.2 Transfer performance under soft pair policy
- 6.3 Transfer performance under random pair policy
- 6.4 Transfer performance on calligraphy fonts
- 6.5 Transfer performance for non-Chinese languages
- 6.6 Effect of various loss weights
- 6.7 Effect of pretraining
- 6.8 Effect of batch normalization
- 7 Evaluation
- 8 Future Work
- 9 Acknowledgement
- References
- Appendix
https://github.com/kaonashi-tyc/zi2zi/
https://www.google.com/get/noto/help/cjk/
http://zh.wikipedia.com/zh-hans/%E5%8D%8E%E6%96%87%E8%A1%8C%E6%A5%B7
1、问题陈述
印刷术在出版业中起着重要作用，不同的用例通常需要不同的印刷术。然而，设计一种新的字体是非常昂贵和耗时的，尤其是对于涉及大量字符的中文来说。提出了一些半自动排版合成方法。这些方法利用结构的共性来简化设计过程。一种方法[1]是首先手动为新字体设计字符子集，然后自动生成剩余字符。在本项目中，我们将尝试使用生成对抗网络（GAN）来探索这个问题。
2相关工作和动机
传统的中文排版综合方法将汉字视为部首和笔划的集合，但它们依赖于手动定义关键点，这仍然需要花费大量时间。最近的一些计算机视觉研究[2]提出了
订阅专栏 解锁全文
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
