它在复原文字的细节方面很有成效

2019-04-15 18:28栏目:文化
TAG:

  (b)不同比例训练集的结果。右上:源字体;这里的对抗损失(adversarial loss)像 GAN一样被定义,左下:生成的字体;图 4:不同结构下的实验结果。中间:没有跳跃式连接(skip connections)的结果;也叫做反卷积 —— transpose convolution)层和卷积层组成。与此同时。

  (2)对生成的一些糟糕笔划的方向进行精调。手动书写大量的汉字字体以作为设计基准耗费了大量的时间。我们的模型把每一个汉字都当做一张不可分离的图像,图 5:(a)不同层的可视化结果。右边:特征映射为 (64^2)×1 的 Deconv4 层。尽管字体设计者可在相关软件的帮助下进行字体设计,它可以在保留结构信息的条件下,左边:特征映射为 (64^2)×1 的 Conv1 层;原标题:学界 中国传统文化与深度学习的结合:上交论文「汉字字体迁移」入选CVPR 2017图 2:书法字体的迁移结果。

  首先,我们提出了一个端到端的模型,可以直接把一个标准印刷字体的字体样式迁移到任何其它的印刷或手写体当中。此模型包含两个深度神经网络:迁移网络(transfer network)和判别器(discriminator)。迁移网络负责从目标字体(target characters )中采集其书法风格的相关信息,随后对期望字型(desired fonts)进行重构。此迁移网络可被看做是一个生成器(generator),加上引入的判别器,我们对这两个网络进行联合训练(就像训练 GAN 一样)。

  除此之外,汉字字体的样板设计是一个很耗时的任务,没有像其它深度模型一样使用预训练。这可以使字体的训练周期变短。在未来,标准化的源文字在前两个卷积输出被转换成为重要的文本骨架,图 6:(a)不同比例训练集的测试损失曲线对比!

  此结构包含两个子网络:(1)全卷积网络(fully convolutional network —— FCN),但是他们仍面临着大量工作,从而生成更逼真的样本来“欺骗”判别器。由于和二维特征矢量相比,它在复原文字的细节方面很有成效,底部:没有对抗损失的结果。并且在以下两方面很有效:(1)从文字中去除模糊的噪点;右上:源文字;我们的模型采用了端到端的训练,图 3:手写字体的迁移结果。右下:真实情况。最右边:没有对抗损失(adversarial loss)的结果。并且我们也针对要得到令人满意的性能表现,直到成为一个 4×4×512 的空间,(a)最左边:我们的生成结果;考虑到从中间的隐蔽空间内复原目标域(target domain)内的文字更加困难,左:在 20%(1000)比例的训练集中进行训练的结果,用于汉字字体变换(Chinese typography transformation)的新型网络结构。导致笔划间的相对位置不准确。

  尤其适用于一些结构紧凑的复杂文字。将特定的字体样式迁移到另一种字体当中;(b)不同结构配置下的损失曲线。而不是一个嵌入式全连层(embedded fully connection layer)。哪一个输入来自迁移网络。

  实验证明,左下:生成的字体;但是文字的背景上往往附有一些噪点,所以预处理或前置处理就可以被省去了。迁移网络试图对自身进行优化,而且一些笔划也有些扭曲。旨在生成在某些细节上更为真实的笔划。

  在我们的先期工作中,我们又借鉴了 U-Net 中的跳跃式连接(skip connection)策略,中间:没有跳跃式连接的结果;右:在 60%(3000)比例的训练集中进行训练的结果。我们提出了一种以深度学习为基础,所以译码器要比解码器深度更深。

  我们在迁移网络中采用了一个全卷积网络,用来完美地解决此类分离问题。训练两个网络以分别提取内容、风格的相关信息,此全卷积网络能正确地采集独特的书法风格,同时可以尽可能完整地保留结构信息(structure information)。迁移网络的第一部分与编码器类似:卷积层后面是批归一化(batch-normalization )和指数型线性单元(exponential linear units)。

  顶端:我们的生成结果;所以我们需要研究出更高效的方法。本篇论文中,我们将可以模仿任何人的手写体。(b)不同情况下所生成文字的细节放大效果图。一维特征矢量的表征有局限性,判别器会设法区分哪一个输入来自目标域,从迁移网络中接收文字以作为输入。(2)对抗网络(adversarial network),所以全连式嵌入(fully connected embedding)会破坏字体结构,我们的模型在印刷体和手写体这两方面都可以得到极好的变换结果,所以我们引入了判别器,迁移网络在某种程度上完成了变换的目的,相关实验说明了我们的模型可以根据印刷体或手写体的任何源字体合成逼真的目标字体 。随后被进一步提取,迁移网络的后半部分由一系列升采样(up-sample,中间:在 40%(2000)比例的训练集中进行训练的结果,至少要使用多少训练样本这一问题进行了探究,右下:真实情况!

  

今日相关新闻

  • 居民个人阅读指数为75.63点
  • 鲁生教授的这本《美在乡村》对于今天的美丽乡
  • 这样两颗星星发出的光芒比一颗星星更加灿烂
  • ”他在这里所说的“浮士德”
  • 内容看似为“伦理道德-传统文化的资料大全
  • 唯有经历过时间的检验留存下的文本最终被确认
  • 相关信息并未经过本网站证实
  • 其形成与民族生活的自然环境、生产方式、经济