基于亚像素卷积的改进型CycleGAN手写汉字生成研究
作者：徐远纯 施明勇
来源：《科学与信息化》2020年第09期
        摘 要 汉字字体研究是计算机视觉重要的研究方向，利用pix2pix生成对抗网络对手写汉字字体风格迁移需要大量的匹配汉字图像，CycleGAN进行风格迁移虽然不需要成对的匹配数据训练数据，但是生成的汉字字体存在模糊、缺失等现象。为了解决以上问题，本文利用改进的循环一致性生成对抗网络来实现手写字体图像的风格迁移，生成质量较高的手写汉字字体。改进的CycleGAN采用超分辨网络中的亚像素卷积来代替原始CycleGAN中的手写字体
转置卷积，用PReLU激活函数代替ReLU激活函数，引入图像正则TV loss来改善生成汉字的结构和笔画完整。改进后的CycleGAN提高了风格迁移的手写汉字图像分辨率，降低了手写汉字字体的错误率，改善了生成手写汉字字体的辨识度。
        关键词 手写汉字风格迁移;CycleGAN;亚像素卷积;TV loss
        引言
        汉字字体生成在深度学习中有较多的研究，早期主要运用卷积神经网络实现汉字字体之间的映射，随着生成对抗网络的兴起，汉字字体的研究重心放在了生成对抗网络上。
        基于编码-解码的卷积神经网络完成了汉字字体的生成，当是这种网络只能一对一的重建，人们无法对编码进行合理的修改，使得编码只有解码能“懂”，生成的汉字字体也很模糊。
        基于生成对抗网络的汉字字体生成，2017年zi2zi被提出[1]，运用于汉字字体风格迁移。zi2zi是基于Pix2Pix[2]进行改进。是汉字字体风格迁移较为成功的算法。但是zi2zi需要成对的大量的汉字字体作为训练。
        基于CycleGAN的汉字字体风格迁移，2018年Chang B等人提出运用CycleGAN来实现手写汉字字体风格迁移[3]。但是，较少的汉字字体图像会使得模型学习到的字体风格有限，降低了模型的过拟合也降低了模型的泛化能力。

版权声明：本站内容均来自互联网，仅供演示用，请勿用于商业和其他非法用途。如果侵犯了您的权益请与我们联系QQ:729038198，我们将在24小时内删除。