汉字风格迁移篇---Fontfusion用于广义稳定字体融合网络的解纠缠表示学习gan

Abstract

书法字体的自动生成已经引起了研究者的广泛关注。
然而，以往的字体生成研究主要集中在基于图像到图像转换的已知字体样式模仿上。由于可解释性差，深度学习很难根据人类的理解来创建具有各种字体风格和功能的新字体。为了解决这一问题，本文提出了基于生成对抗网络(GANs)和解纠缠表示学习的字体融合网络来生成全新的字体。它把字体分成两个容易理解的特征:笔画风格和骨架形状。根据个人喜好，融合不同字体的笔画风格和骨架形状，可以生成多种风格的各种新字体。首先，这项任务提高了深度学习的可解释性，并且比简单地模仿字体样式更具挑战性。其次，考虑到网络的鲁棒性，提出了一种模糊监督学习方法来提高差异较大的两种字体融合的稳定性。最后，无需再训练，作者的训练模型可以快速转移到其他字体融合样本中。提高了模型的效率。定性和定量结果表明，该方法能够高效稳定地生成具有多种样式的新字体图像。我们模型的源代码和实现细节可以在 https://github.com/Qinmengxi/Fontfusion.

INTRODUCTION

字体设计在视觉传达和文化传递中起着至关重要的作用。与手写识别相比[1-3]，创造新颖的个性化字体可以带来愉悦的视觉体验，减少视觉疲劳。而且字体设计结合了不同时代、不同地域、不同文化背景;它有效地促进了世界文化的融合和传播。

目前的字体设计方法分为人工设计方法和人工智能方法。手工设计需要大量的先验知识或专家指导，然后不断调整笔画结构和参数，才能设计出一套令人满意的字体。它能够生成准确和清晰的字体图像。但人工设计方法费时费力;一个新字体的设计周期一般需要1-2年[4]。与手动设计相比，采用人工智能方法进行