基于生成对抗神经网络的字体风格迁移算法
发布时间：2021-12-12 07:33
众所周知,文字是日常生活和社会生活中一种重要的表达和沟通工具。但随着时代的变迁和文化的演变,文字字体风格在反射文化传承、情感诉求、视觉美感,以至品牌形象、产品信息、行业特征等方面的功能,越来越受到人们的重视。特别是近年来数字化载体的蓬勃发展,字体（风格）的设计已经逐渐成为当今社会和生活的一种日常需求。中文字体在不同场景有着不同的风格需求,而且对新型个性化字体风格的需求还会持续地增加。然而中文字体设计需要由专业的设计师及其团队逐字创写,是一项任务繁重且耗费时间的劳动密集型工作。因此,关于中文字体风格迁移的研究,对新字体的设计工作有着重要的意义。中文字体风格迁移就是通过特定模型实现从源字体到目标字体的风格转换,但传统的中文字体风格迁移方法效率较低、泛化性较差,效果也不尽理想。随着深度学习技术在图像风格迁移领域的成功应用,基于卷积神经网络的中文字体风格迁移方法引起了人们高度的关注。特别是最近提出的基于生成对抗神经网络（GAN）的中文字体风格迁移算法,以更具灵活性的残差网络结构为核心,建构生成式模型进行对抗训练,在不同风格的中文字体之间实施了有效的迁移。本文在已有的基于深度学习方法基础上,对基...
【文章来源】：大连海事大学辽宁省 211工程院校
【文章页数】：67 页
【学位级别】：硕士
【部分图文】：
图１－３基于ＳＤＬ和ＯｐｅｎＧＬ实时绘制中文字体??Ｆｉｇ．?１－３?Ｒｅａｌ－ｔｉｍｅ?ｒｅｎｄｅｒｉｎｇ?ｏｆ?Ｃｈｉｎｅｓｅ?ｆｏｎｔｓ?ｂａｓｅ?ｏｎ?ＳＤＬ?ａｎｄ?ＯｐｅｎＧＬ??－３?－??
?基于生成对抗神经网络的字体风格迁移算法???１．２．２基于深度学习的方法??随着深度学习技术在图像风格迁移领域的成功应用，基于深度神经网络的字体风格??迁移方法逐渐引起人们的关注，相关的研宄也取得了一定的进展。针对英文字体风格迁??移问题，２０１７年，Ｂａｌｕｊａ［１６］探索了利用深度神经网络模型对英文字母字体进行建模的方??法，并由４个特定风格的英文字母，生成了相同风格的其余字母，如图１－４所示。同年，??Ａｚａｄｉ等人以合成装饰性英文字母字体为背景，提出了一个基于堆栈条件生成对抗网??络（Ｓｔａｃｋｅｄ?ＣＧＡＮ）的模型，如图１－５所示。该模型是第一个端到端的字体风格迁移解决??方案，可以由少量示例性字体合成期望的装饰性字体，并且在包括１００００种不同风格字??体的数据集上有效地实现了风格迁移。??图１－４英文字母风格迁移??Ｆｉｇ．?１?－４?Ｅｎｇｌｉｓｈ?ｌｅｔｔｅｒ?ｓｔｙｌｅ?ｔｒａｎｓｆｅｒ??Ｓ＊２６ｘ６４ｘ６４?６ｘ２６ｘ６４ｘ８４?ｉ????？?????”…?丨—，，??§?＾．ＭＳＥＬｏｓｓ?—＾?＾??ｌ?（ａ）?Ｇｌｙｐｈ?Ｎｅｔｗｏｒｋ?｜?：?｜?？?＝ｊ｜?ｖ?（ｂ）?Ｏｒｎａｍｅｎｔａｔｉｏｎ?Ｎｅｔｗｏｒｋ???＾?１Ｘ２＾＾Ｘ６４?ｙ?＾４＊?ＭＳＥ?Ｌｏｓｓ?ｏ?－？｜?Ｅ?｜ｊＪ－＾?｜???＇￣＾?ＳＬｔ＊?Ｌｉｌｏｓａ???图１－５?Ｓｔａｃｋｅｄ?ＣＧＡＮ英文字体风格迁移模型??Ｆｉｇ．?１?－５?Ｅｎｇｌｉｓｈ?ｆｏｎｔ?ｓｔｙｌｅ?ｔｒａｎｓｆｅｒ?ｍｏｄｅｌ?ｂａｓｅ?ｏｎ?Ｓｔａｃｋｅｄ?ＣＧＡＮ??然而，
?基于生成对抗神经网络的字体风格迁移算法???１．２．２基于深度学习的方法??随着深度学习技术在图像风格迁移领域的成功应用，基于深度神经网络的字体风格??迁移方法逐渐引起人们的关注，相关的研宄也取得了一定的进展。针对英文字体风格迁??移问题，２０１７年，Ｂａｌｕｊａ［１６］探索了利用深度神经网络模型对英文字母字体进行建模的方??法，并由４个特定风格的英文字母，生成了相同风格的其余字母，如图１－４所示。同年，??Ａｚａｄｉ等人以合成装饰性英文字母字体为背景，提出了一个基于堆栈条件生成对抗网??络（Ｓｔａｃｋｅｄ?ＣＧＡＮ）的模型，如图１－５所示。该模型是第一个端到端的字体风格迁移解决??方案，可以由少量示例性字体合成期望的装饰性字体，并且在包括１００００种不同风格字??体的数据集上有效地实现了风格迁移。??图１－４英文字母风格迁移??Ｆｉｇ．?１?－４?Ｅｎｇｌｉｓｈ?ｌｅｔｔｅｒ?ｓｔｙｌｅ?ｔｒａｎｓｆｅｒ??Ｓ＊２６ｘ６４ｘ６４?６ｘ２６ｘ６４ｘ８４?ｉ????？?????”…?丨—，，??§?＾．ＭＳＥＬｏｓｓ?—＾?＾??ｌ?（ａ）?Ｇｌｙｐｈ?Ｎｅｔｗｏｒｋ?｜?：?｜?？?＝ｊ｜?ｖ?（ｂ）?Ｏｒｎａｍｅｎｔａｔｉｏｎ?Ｎｅｔｗｏｒｋ???＾?１Ｘ２＾＾Ｘ６４?ｙ?＾４＊?ＭＳＥ?Ｌｏｓｓ?ｏ?－？｜?Ｅ?｜ｊＪ－＾?｜???＇￣＾?ＳＬｔ＊?Ｌｉｌｏｓａ???图１－５?Ｓｔａｃｋｅｄ?ＣＧＡＮ英文字体风格迁移模型??Ｆｉｇ．?１?－５?Ｅｎｇｌｉｓｈ?ｆｏｎｔ?ｓｔｙｌｅ?ｔｒａｎｓｆｅｒ?ｍｏｄｅｌ?ｂａｓｅ?ｏｎ?Ｓｔａｃｋｅｄ?ＣＧＡＮ??然而，
【参考文献】：
期刊论文
[1]基于生成式对抗网络的中文字体风格迁移[J]. 滕少华,孔棱睿. 计算机应用研究. 2019(10)
[2]卷积神经网络研究综述[J]. 周飞燕,金林鹏,董军. 计算机学报. 2017(06)
[3]基于SDL和OpenGL实时绘制中文字体[J]. 陈飞,黄海明,杨猛,刘金刚. 计算机工程与设计. 2011(08)
[4]博弈论与纳什均衡[J]. 郭鹏,杨晓琴. 哈尔滨师范大学自然科学学报. 2006(04)
本文编号：3536266
【文章来源】：大连海事大学辽宁省 211工程院校
【文章页数】：67 页
【学位级别】：硕士
【部分图文】：
图１－３基于ＳＤＬ和ＯｐｅｎＧＬ实时绘制中文字体??Ｆｉｇ．?１－３?Ｒｅａｌ－ｔｉｍｅ?ｒｅｎｄｅｒｉｎｇ?ｏｆ?Ｃｈｉｎｅｓｅ?ｆｏｎｔｓ?ｂａｓｅ?ｏｎ?ＳＤＬ?ａｎｄ?ＯｐｅｎＧＬ??－３?－??
?基于生成对抗神经网络的字体风格迁移算法???１．２．２基于深度学习的方法??随着深度学习技术在图像风格迁移领域的成功应用，基于深度神经网络的字体风格??迁移方法逐渐引起人们的关注，相关的研宄也取得了一定的进展。针对英文字体风格迁??移问题，２０１７年，Ｂａｌｕｊａ［１６］探索了利用深度神经网络模型对英文字母字体进行建模的方??法，并由４个特定风格的英文字母，生成了相同风格的其余字母，如图１－４所示。同年，??Ａｚａｄｉ等人以合成装饰性英文字母字体为背景，提出了一个基于堆栈条件生成对抗网??络（Ｓｔａｃｋｅｄ?ＣＧＡＮ）的模型，如图１－５所示。该模型是第一个端到端的字体风格迁移解决??方案，可以由少量示例性字体合成期望的装饰性字体，并且在包括１００００种不同风格字??体的数据集上有效地实现了风格迁移。??图１－４英文字母风格迁移??Ｆｉｇ．?１?－４?Ｅｎｇｌｉｓｈ?ｌｅｔｔｅｒ?ｓｔｙｌｅ?ｔｒａｎｓｆｅｒ??Ｓ＊２６ｘ６４ｘ６４?６ｘ２６ｘ６４ｘ８４?ｉ????？?????”…?丨—，，??§?＾．ＭＳＥＬｏｓｓ?—＾?＾??ｌ?（ａ）?Ｇｌｙｐｈ?Ｎｅｔｗｏｒｋ?｜?：?｜?？?＝ｊ｜?ｖ?（ｂ）?Ｏｒｎａｍｅｎｔａｔｉｏｎ?Ｎｅｔｗｏｒｋ???＾?１Ｘ２＾＾Ｘ６４?ｙ?＾４＊?ＭＳＥ?Ｌｏｓｓ?ｏ?－？｜?Ｅ?｜ｊＪ－＾?｜???＇￣＾?ＳＬｔ＊?Ｌｉｌｏｓａ???图１－５?Ｓｔａｃｋｅｄ?ＣＧＡＮ英文字体风格迁移模型??Ｆｉｇ．?１?－５?Ｅｎｇｌｉｓｈ?ｆｏｎｔ?ｓｔｙｌｅ?ｔｒａｎｓｆｅｒ?ｍｏｄｅｌ?ｂａｓｅ?ｏｎ?Ｓｔａｃｋｅｄ?ＣＧＡＮ??然而，
?基于生成对抗神经网络的字体风格迁移算法???１．２．２基于深度学习的方法??随着深度学习技术在图像风格迁移领域的成功应用，基于深度神经网络的字体风格??迁移方法逐渐引起人们的关注，相关的研宄也取得了一定的进展。针对英文字体风格迁??移问题，２０１７年，Ｂａｌｕｊａ［１６］探索了利用深度神经网络模型对英文字母字体进行建模的方??法，并由４个特定风格的英文字母，生成了相同风格的其余字母，如图１－４所示。同年，??Ａｚａｄｉ等人以合成装饰性英文字母字体为背景，提出了一个基于堆栈条件生成对抗网??络（Ｓｔａｃｋｅｄ?ＣＧＡＮ）的模型，如图１－５所示。该模型是第一个端到端的字体风格迁移解决??方案，可以由少量示例性字体合成期望的装饰性字体，并且在包括１００００种不同风格字??体的数据集上有效地实现了风格迁移。??图１－４英文字母风格迁移??Ｆｉｇ．?１?－４?Ｅｎｇｌｉｓｈ?ｌｅｔｔｅｒ?ｓｔｙｌｅ?ｔｒａｎｓｆｅｒ??Ｓ＊２６ｘ６４ｘ６４?６ｘ２６ｘ６４ｘ８４?ｉ????？?????”…?丨—，，??§?＾．ＭＳＥＬｏｓｓ?—＾?＾??ｌ?（ａ）?Ｇｌｙｐｈ?Ｎｅｔｗｏｒｋ?｜?：?｜?？?＝ｊ｜?ｖ?（ｂ）?Ｏｒｎａｍｅｎｔａｔｉｏｎ?Ｎｅｔｗｏｒｋ???＾?１Ｘ２＾＾Ｘ６４?ｙ?＾４＊?ＭＳＥ?Ｌｏｓｓ?ｏ?－？｜?Ｅ?｜ｊＪ－＾?｜???＇￣＾?ＳＬｔ＊?Ｌｉｌｏｓａ???图１－５?Ｓｔａｃｋｅｄ?ＣＧＡＮ英文字体风格迁移模型??Ｆｉｇ．?１?－５?Ｅｎｇｌｉｓｈ?ｆｏｎｔ?ｓｔｙｌｅ?ｔｒａｎｓｆｅｒ?ｍｏｄｅｌ?ｂａｓｅ?ｏｎ?Ｓｔａｃｋｅｄ?ＣＧＡＮ??然而，
【参考文献】：
期刊论文
[1]基于生成式对抗网络的中文字体风格迁移[J]. 滕少华,孔棱睿. 计算机应用研究. 2019(10)
[2]卷积神经网络研究综述[J]. 周飞燕,金林鹏,董军. 计算机学报. 2017(06)
[3]基于SDL和OpenGL实时绘制中文字体[J]. 陈飞,黄海明,杨猛,刘金刚. 计算机工程与设计. 2011(08)
[4]博弈论与纳什均衡[J]. 郭鹏,杨晓琴. 哈尔滨师范大学自然科学学报. 2006(04)
本文编号：3536266
本文链接：https://www.wllwen.com/kejilunwen/shengwushengchang/3536266.html
最近更新
教材专著
