基于CycleGAN的字体风格转移算法及其应用
目前，生成式对抗网络（Generativeadversarialnetworks，GAN）已经成为深度学习中的一个流行的模型。GAN在图像生成，图像编辑，表征学习，图像风格转移等方面取得了令人惊叹的结果。而目前关于图像风格迁移的研究都集中于油画，风景画等图像的风格迁移上，在书法字体风格的迁移上还缺少相应研究。本文将风格迁移技术扩展到书法字体风格上，提出了一种基于生成式对抗网络（GAN）的方法，它利用生成式对抗网络学习中国名家书法字体与普通字体的映射，然后将任意普通字体自动生成为对应的书法字体。同时，手写字体识别是模式识别的一个研究主题，目前基于深度学习的识别算法性能优于传统方法良多，但手写字体识别的深度学习算法受限于收集大量手写字体数据的困难，手写字体识别的准确率仍有提高的余地。为此，本文利用GAN生成大量不同风格的手写字体充当手写字体识别的训练数据集，以提高手写字体识别的准确率。 论文的主要创新工作如下： （1）提出了一种基于生成式对抗网络的字体风格转移算法，它是一种结合了U-net和Resnet的改进CycleGAN模型。U-net中网络层concat的结构能克服字体风格转换过程中笔画缺失的问题，并且Resnet可提高网络深度，以提取更深层特征而不用担心梯度弥散，网络退化等问题。 （2）提出了一种手写体字体的迁移学习方法，以解决当前基于深度网络的手写字体识别算法需要收集大量训练数据的困难。首先利用上述字体风格转移算法训练一个由印刷体(正楷)到为手写字体的网络模型，并将这个模型保存作为预训练模型；然后将数据集切换为另一种风格的手写字体，在预训练模型的基础上继续训练少量步数，以改变网络输出的数据分布使之拟合第二种风格的手写字体。从而可以利用第二个模型从印刷字体生成大量的具有第二种风格的手写字体。依据这些生成的大量手写字体集，训练相应的识别模型以用于手写字体的识别。
生成式对抗网络;风格转移;手写字体;深度学习;CycleGAN模型
西华大学
硕士
计算机技术
彭宏;赖成毅
2019
中文
TP391.41
2020-04-02（万方平台首次上网日期，不代表论文的发表时间）