文章目录
摘要
存在的问题
由于汉字的复杂性和字体之间的显著差异,中文字体之间的抽象风格转换具有挑战性。
此任务的现有算法通常学习每个字符的参考字体和目标字体之间的映射。
随后,此映射用于生成目标字体中不存在的字符。
然而,可用于训练的字符不太可能覆盖缺失字符的所有细粒度部分,从而导致过度拟合问题。
结果,生成的目标字体的字符可能会出现不完整或甚至是部首和脏点的问题。
图1.中文字体样式转换示例。黑体的八个汉字在保持内容一致性的同时被转换为金黑体。(黑体、京黑是两种中文字体)。
提出一种方法
1、为了解决这个问题,本文提出了一种称为MTfontGAN的多任务对抗性学习方法,以生成更生动的汉字。
2、MTfontGAN学习同时将参考字体传输到多个目标字体。
3、对不同任务的编码器进行对齐,以使它们专注于一般风格转换中字符的重要部分。
4、这种在特征级别的跨任务交互有效地提高了MTfontGAN的泛化能力。
5、在三个中文字体数据集上评估了MTfontGAN的性能。
6、实验结果表明,MTfontGAN在单个任务设置中优于最先进的算法。更重要的是,增加任务数量可以提高所有任务的性能。
INTRODUCTION
汉字生成背景
汉