CN114418834A - 一种文字生成方法、装置、电子设备及存储介质 - Google Patents

Abstract

本发明公开了一种文字生成方法、装置、电子设备及存储介质，该方法包括：获取分别与待处理文字和参考文字相对应的待处理图像；将所述待处理图像输入至目标字体风格融合模型中，得到所述待处理文字在目标字体风格下的目标文字；其中，所述目标字体风格是基于所述字体风格融合模型对所述参考文字的参考字体风格和所述待处理文字的待处理字体风格融合确定的。解决了现有的字体风格不能满足用户需求的问题，通过将任意两种文字的字体风格相融合，实现了生成介于两种字体风格之间的文字的效果。

Description

一种文字生成方法、装置、电子设备及存储介质

技术领域

本发明实施例涉及图像处理技术领域，尤其涉及一种文字生成方法、装置、电子设备及存储介质。

背景技术

现有的风格迁移或图片翻译技术更擅长修改图片的纹理而不擅长修改图片的结构信息。而间架结构恰恰是各个字体间的重要区分点，这就导致了现有技术在字体数据上进行风格迁移或图片翻译任务中，生成字体中往往存在较多的badcase(例如笔画断裂，边缘不平滑，笔画丢失或冗余等)，这就使得通过AI进行字体融合得到的结果与实际落地可用的要求之间存在非常大的差距。

发明内容

本发明提供一种文字生成方法、装置、电子设备及存储介质，以实现生成介于两种字体风格之间的字体风格的文字的效果。

第一方面，本发明实施例提供了一种文字生成方法，该方法包括：

获取分别与待处理文字和参考文字相对应的待处理图像；

将所述待处理图像输入至目标字体风格融合模型中，得到所述待处理文字在目标字体风格下的目标文字；

其中，所述目标字体风格是基于所述字体风格融合模型对所述参考文字的参考字体风格和所述待处理文字的待处理字体风格融合确定的。

第二方面，本发明实施例还提供了一种文字生成装置，该装置包括：

待处理图像获取模块，用于获取分别与待处理文字和参考文字相对应的待处理图像；

目标文字确定模块，用于将所述待处理图像输入至目标字体风格融合模型中，得到所述待处理文字在目标字体风格下的目标文字；

其中，所述目标字体风格是基于所述字体风格融合模型对所述参考文字的参考字体风格和所述待处理文字的待处理字体风格融合确定的。

第三方面，本发明实施例还提供了一种电子设备，所述电子设备包括：

一个或多个处理器；

存储装置，用于存储一个或多个程序，

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如本公开实施例任一所述的文字生成方法。

第四方面，本公开实施例还提供了一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行如本公开实施例任一所述的文字生成方法。

本公开实施例的技术方案，获取分别与待处理文字和参考文字相对应的待处理图像，以基于目标字体风格融合模型待处理文字字体风格和参考字体风格进行融合，得到介于待处理文字和参考文字的字体风格之间的任意一种字体风格，且可以根据用户的需求，对字体风格反复进行融合直到得到与用户需求相一致的字体风格的文字。将所述待处理图像输入至目标字体风格融合模型中，得到所述待处理文字在目标字体风格下的目标文字，满足用户将待处理文字的字体风格转换为目标字体风格的需求。解决了无法生成字体风格介于两种字体风格之间的文字的问题，通过将两种字体风格融合为介于两种字体风格之间的任意一种目标字体风格，并生成与目标字体风格相一致的文字，实现了生成与两种字体风格之间的任意一种字体风格相对应的文字的效果。

附图说明

结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，原件和元素不一定按照比例绘制。

图1为本公开实施例一提供的一种文字生成方法的流程示意图；

图2为本公开实施例一提供的一种目标字体风格融合模型的示意图；

图3为本公开实施例一提供的一种目标文字风格的示意图；

图4为本公开实施例二提供的一种文字生成方法的流程示意图；

图5为本公开实施例三所提供的一种文字生成装置结构示意图；

图6为本公开实施例四所提供的一种电子设备的结构示意图。

具体实施方式

下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例，相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。

应当理解，本公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行，和/或并行执行。此外，方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本公开的范围在此方面不受限制。

本文使用的术语“包括”及其变形是开放性包括，即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”；术语“另一实施例”表示“至少一个另外的实施例”；术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。

需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。

需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。

本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。

实施例一

图1为本公开实施例一所提供的一种文字生成方法的流程示意图，本实施例可适用于将两种字体的字体风格进行融合，得到介于两种字体风格之间的任意一种字体风格的文字的情况，该方法可以由文字生成装置来执行，该装置可以通过软件和/或硬件的形式实现，该硬件可以是电子设备，如移动终端、PC端或服务器等。

在介绍本技术方案之前，可以先对应用场景进行示例性说明。该技术方案可以应用于基于获取的任意两种字体风格，以生成介于两种字体风格之间的字体风格的场景中，其中，获取的文字风格可以为具有版权的字体风格，如，字体风格选择的下拉菜单中的宋体风格或楷体风格等，也可以为用户手写文字的字体风格，在此不做限定。也就是说，用户希望将该文字的字体风格转换为介于字体风格选择的下拉菜单中任意两种字体风格之间的字体风格，即，期望生成的文字风格既包含A字体风格，又包含B字体风格，但不完全与A字体风格或B字体风格相一致。基于本实施例的方案，可以生成介于任意两种字体风格之间的字体风格的文字，所生成的文字的字体风格是基于用户输入的任意两种字体风格之间的字体风格。

如图1所示，本公开实施例的方法包括：

S110、获取分别与待处理文字和参考文字相对应的待处理图像。

其中，待处理文字可以理解为用户期望进行字体风格转换的文字，待处理文字可以为用户从字体图库中挑选的文字，也可以为用户书写的文字，例如在用户书写文字后，对书写的文字进行图像识别，将识别到的文字作为待处理文字。参考文字可以理解为其字体风格需要与待处理文字的文字风格进行融合的文字，例如参考文字的风格可以包括具有版权的字体风格，如，楷体风格、隶书风格、行书风格、草书风格、宋体风格或者用户的手写字体风格等。待处理图像可以理解为待处理文字所对应的文字或者是参考文字所对应的图像。

具体的，可以从文字数据库中获取待处理文字所对应的图像或参考文字所对应的图像，将获取的图像作为待处理图像；或者还可以由用户自己书写文字，然后将书写的文字拍摄成图像，将用户书写的文字所对应的图像作为待处理图像。进一步的，获取待处理图像后，可以通过对待处理图像中的文字进行识别，以获得待处理文字和参考文字的字体风格和字体特征等。需要说明的是，待处理文字的参考文字的字体风格可以相同，也可以不相同。

可选的，所述获取分别与待处理文字和参考文字相对应的待处理图像，包括：基于编辑控件中编辑的待处理文字和参考文字，生成与所述待处理文字和所述参考文字所对应的待处理图像。

其中，编辑控件可以理解为用于输入待处理文字或者参考文字的控件，例如编辑控件可以设置在字体选择系统的界面中，方便用户输入待处理文字或参考文字，在编辑控件中输入待处理文字或参考文字后，可以由字体选择系统中的图像处理模块进行处理，得到与待处理文字和参考文字相对应的待处理图像。

具体的，在文字选择系统设置有编辑控件，用户编辑控件可以编辑待处理文字和参考文字，并点击确认以确定待处理文字和参考文字。然后将待处理文字和参考文字发送给文字选择系统中的图像处理模块，基于图像处理模块将待处理文字或参考文字进行图像转换，得到与待处理文字和参考文字相对应的待处理图像。可选的，待处理文字和参考文字还可以用户的手写文字，在书写完毕后，将用户的手写文字拍摄成图像作为待处理图像。

S120、将所述待处理图像输入至目标字体风格融合模型中，得到所述待处理文字在目标字体风格下的目标文字。

其中，目标字体风格融合模型可以理解为将不同的字体风格进行字体风格融合的模型。目标字体风格融合模型可以是预先训练好的神经网络模型，例如卷积神经网络模型，该模型的输入数据的格式为图像格式，相应的，输出数据的格式也为图像格式。目标字体风格可以理解为根据待处理文字和参考文字的文字风格进行融合，得到的介于两种字体风格之间的任意一种字体风格，需要说明的是，融合后的字体风格可以包括多种，其中任意一种字体风格都可以作为目标字体风格。目标文字可以理解为具有目标字体风格的文字。

具体的，在目标字体风格融合模型中输入待处理文字所对应的待处理图像和参考文字所对应的待处理图像，参见图2，在目标字体风格融合模型中输入待处理文字为“仓”所对应的待处理图像，以及与参考文字为“颉”所对应的待处理图像，其中，两个图像中的文字的字体风格不同。基于目标字体风格融合模型对两个待处理图像进行处理后，可以得到与“颉”字的字体风格下的“仓”字的图像，如，可以得到与“颉”字的字体风格相同的“仓”字的图像，也可以得到介于待处理文字的字体风格和参考文字的字体风格之间“仓”字的图像，将任意一种字体风格作为目标字体风格，并得到与目标字体风格相对应的目标文字。

需要说明的是，若得到的目标字体风格与用户所需要的字体风格不符，用户可以将与目标字体风格的文字作为待处理文字，继续对字体风格进行融合，直到得到用户满意的字体风格。

示例性地，以对“济”进行字体风格处理为例，参见图3，图中的“济”字所对应的多个字体风格为具有版权的字体风格，仅作为示例性的说明，而非对字体风格版权的限定。将编号1所对应的待处理图像和编号10所对应的待处理图像输入目标字体风格融合模型可以得到介于两种字体风格之间的任意一种字体风格，如，可以得到编号2-编号9之间的任意一种字体风格，且任意一种字体风格可以作为目标字体风格。如，若得到目标字体风格为编号5的字体风格，而用户实际所需的字体风格为编号8的字体风格，即，得到的目标字体风格与用户所期望的字体风格不同，可以基于字体风格融合模型继续对字体风格进行融合处理。可选的，将编号5和编号10作为待处理图像输入目标字体风格融合模型进行处理，直到得到与用户期望的字体风格相一致的目标字体风格。

可选的，基于所述目标字体风格融合模型，生成各文字在所述目标字体风格下的待使用文字，并基于所述待使用文字生成文字包。

其中，文字包中包括多个待使用文字，待使用文字是基于目标字体风格融合模型生成的。具体可以为获取两种不同字体风格的文字，基于目标字体风格融合模型对两个文字所对应的图像进行处理，得到介于两种字体风格之间的任意一种字体风格。若此时得到的字体风格是与用户的期望相一致，则可以基于目标字体风格融合模型对上述两种字体风格的文字进行处理，得到各文字在相应风格下的待使用文字。所有待使用文字的集合可以为文字包。

可选的，在检测到从字体风格列表中选择的字体风格为所述目标字体风格，并检测到编辑待处理文字时，从所述文字包中获取与所述待处理文字相对应的目标文字。

其中，字体风格列表中包括多个待选择的字体风格，可以为常规使用的字体风格，在具有版权的字体风格，如，字体风格选择的下拉菜单中选择楷体、宋体或隶书字体等，还可以为与现有字体风格不同的，基于目标字体风格融合模型将两种字体风格相融合后得到的字体风格。该列表的显示模式可以是包含各文字风格的下拉窗口或者是图片展示窗口等。用户可以基于列表中的选项信息，点击选择目标字体风格。

具体的，在字体风格列表中包括现有的字体风格，还包括基于目标字体风格融合模型生成的字体风格，将用户在字体风格列表中选中的字体风格作为目标字体风格。然后在检测到用户编辑的待处理文字时，从文字包中获取与待处理文字相同的文字，从而使待处理文字的字体风格与用户所选择的字体风格相适配。

示例性地，用户在字体风格列表中选择的字体风格为：融合后的字体风格A。在接收到输入的待处理文字“可”时，可以从目标字体风格A所对应的文字包中，确定出“可”字，并将其作为目标文字进行展示。还需要说明的是，本技术方案可以应用在现有的办公软件中，在办公软件中集成本技术方案；或者是，将文字包集成在办公软件中；亦或是，将目标字体风格融合模型集成在某个应用软件中。

本公开实施例的技术方案，获取分别与待处理文字和参考文字相对应的待处理图像，以基于目标字体风格融合模型待处理文字字体风格和参考字体风格进行融合，得到介于待处理文字和参考文字的字体风格之间的任意一种字体风格，且可以根据用户的需求，对字体风格反复进行融合直到得到与用户需求相一致的字体风格的文字。将所述待处理图像输入至目标字体风格融合模型中，得到所述待处理文字在目标字体风格下的目标文字，满足用户将待处理文字的字体风格转换为目标字体风格的需求。解决了无法生成字体风格介于两种字体风格之间的文字的问题，通过将两种字体风格融合为介于两种字体风格之间的任意一种目标字体风格，并生成与目标字体风格相一致的文字，实现了生成与两种字体风格之间的任意一种字体风格相对应的文字的效果。

实施例二

图4为本公开实施例二所提供的一种文字生成方法的流程示意图，在前述实施例的基础上，目标字体风格融合模型中包括字体风格提取子模型、笔画特征提取子模型、图像特征提取子模型以及编码子模型，在基于目标字体风格融合模型对两种字体的字体风格进行融合之前，可以预先训练得到笔画特征提取子模型，从而基于笔画特征提取子模型构建出待训练字体风格融合模型，进而训练得到字体风格融合模型。其中，与上述实施例相同或者相应的技术术语在此不再赘述。

如图4所示，该方法具体包括：

S210、训练得到所述目标字体风格融合模型中的笔画特征提取子模型。

在本实施例中，所述训练得到所述目标字体风格融合模型中的笔画特征提取子模型，包括：获取第一训练样本集合；其中，所述第一训练样本集合中包括多个第一训练样本，第一训练样本中包括第一训练文字对应的第一图像和第一笔画向量；针对各第一训练样本，将当前第一训练样本的第一图像为待训练笔画特征提取子模型的输入参数，将相应的第一笔画向量作为所述待训练笔画特征提取子模型的输出参数，对所述待训练笔画特征提取子模型进行训练，以得到所述笔画特征提取子模型。

其中，笔画特征提取子模型可以用于提取文字的笔画特征。在实际应用过程中，为了提高模型的准确定，可以尽可能多的获取训练样本，以基于训练模型对大量的训练样本进行训练对模型参数进行调节。第一样本集合中包括多个第一训练文字对应的第一图像和第一笔画向量。第一训练文字可以理解为基于笔画特征提取子模型进行训练的文字。由于模型多是对图像进行处理，因此在将第一训练文字输入模型进行训练之前，可以将第一训练文字转换为相应的图像，即第一图像。在确定第一笔画向量之前，可以先基于文字笔画数量最多的文字，构建出基准笔画向量。例如，笔画构成最多的文字多为29画，相应的，可以构建1*29阶的向量。在构建每个第一训练文字的笔画向量时，可以确定1*29阶的向量中相应的位置是否存在该笔画，若存在则将其位置标记为1，若不存在标记为0。

示例性地，以确定“仓”字的第一笔画向量为例，首先根据文字中笔画特征最多的文字构建一个1*29阶的向量，在该向量中包含所有的笔画特征。在“仓”字中的笔画特征包括“撇”“捺”“横折钩”和“竖弯钩”，然后依据预先构建的第一笔画向量是否存在相应的笔画特征确定“仓”字所对应的第一笔画向量，例如，可以得到与“仓”字所对应的第一笔画向量为{101001010……}，该向量为1*29阶，其中向量中的1表示在预先构建的第一笔画向量中存在与“仓”字对应的笔画特征；0表示在预先构建的第一笔画向量中不存在与“仓”字对应的笔画特征。

具体的，获取多个待训练文字作为第一训练样本，将各待训练文字转换为相应的第一图像，同时构建与各文字相对应的向量作为第一笔画向量。在实际应用中，基于笔画特征提取子模型对各第一训练样本进行笔画特征提取时，可以将第一训练文字所对应的第一图像作为输入参数，并将与第一训练文字相对应的第一笔画向量作为输出参数。

需要说明的是，在使用笔画特征提取子模型之前，需要先对该模型进行训练，通过对大量的第一训练样本集合进行训练，得到笔画特征提取子模型，用以基于笔画特征提取模型对输入的各第一训练文字进行准确的笔画特征提取。

S220、训练得到所述目标字体风格融合模型。

在上述内容的基础上，训练得到笔画特征提取子模型之后，可以基于笔画特征提取子模型构建待训练字体风格融合模型，在构建完成后，对待训练字体风格融合模型进行训练。

构建得到的待训练字体风格融合模型包括：字体风格提取子模型、笔画特征提取子模型、图像特征提取子模型以及编码子模型。参见图2，图中方框1中为图像特征提取子模型，用于提取与待处理文字相对应的图像特征。方框2中为笔画特征提取子模型，用于提取待处理文字的笔画特征。字体风格提取子模型(即，字体风格提取器)中可以输入参考文字“颉”字以及与“颉”字所对应的字体风格标签，用于提取参考文字的参考字体风格。编码子模型可以用于在提取参考文字的字体风格之后，对提取结果进行编码处理。然后将对参考文字的文字风格的编码结果，以及待处理文字的笔画特征提取结果共同输入编译器(Decoder)中，以通过编译器得到具有介于待处理文字和参考文字的字体风格之间的字体风格的文字。此外，在编码子模型之后，还连接了笔顺预测子模型，用于对输入文字的笔画顺序进行预测。示例性地，可以在目标字体风格融合模型中输入任意文字，以输入的文字为“仓”字为例，“仓”字所对应的笔顺特征分别为“撇”“捺”“横折钩”和“竖弯钩”，将“仓”字输入模型后，可以将“仓”字对应的笔顺特征分别存储在ht向量里，并按照笔画顺序可以得到向量ht＝{h1、h2、h3和h4}。然后将得到的笔顺向量输入笔顺预测模型中，基于神经网络(如，卷积神经网络)对笔顺特征进行训练分析，以在待训练风格融合模型训练完毕后，可以预测各文字的笔顺特征，避免输出的文字结果中出现笔顺缺失或笔顺不正确的情况。

所述训练得到所述目标字体风格融合模型，包括：获取第二训练样本集；其中，所述第二训练样本集中包括多个第二训练样本，所述第二训练样本中包括第二训练文字的第二训练图像，第三训练文字的第三训练图像，以及所述第三训练文字的字体风格标签；所述第二训练文字和所述第三训练文字的字体风格相同或相异；针对各第二训练样本，将当前第二训练样本输入至待训练字体风格融合模型中，以基于待训练字体风格提取子模型对所述第一训练文字的体风格标签和第三训练图像进行处理，得到待融合字体风格，基于待训练图像特征提取子模型对第二训练图像进行内容特征提取，得到待融合内容特征，基于所述笔画特征提取子模型对所述第二训练图像中的第二训练文字进行笔画特征提取，得到笔画特征，基于待训练编码子模型对所述待融合字体风格、所述待融合内容特征以及所述笔画特征进行处理，得到实际输出图像；其中，所述待训练字体风格融合模型中包括待训练字体风格提取子模型、待训练图像特征提取子模型以及待训练编码子模型；根据至少一个损失函数对所述实际输出图像和相应的理论输出图像损失处理，确定损失值，以基于所述损失值修正所述待训练字体风格融合模型中的各模型参数；将所述至少一个损失函数收敛作为训练目标，得到所述目标字体风格融合模型。

需要说明的是，本技术方案中所采用的一个损失函数包括重建损失函数，笔顺损失函数，对抗性损失函数，风格编码损失函数以及字体区分性函数。

接下来详细介绍每个损失函数在模型中的具体作用：

第一个损失函数为重建损失函数(Rec Loss)，该函数用于直观约束网络输出是否符合预期。在基于两种不同字体风格的文字所对应的待处理图像进行训练时，可以得到介于两种字体风格之间的字体风格，若所得到的字体风格与用户需求不符，可以通过重建损失函数对模型参数进行调整，以实现模型的输出结果与用户的需求更加相符。

第二个损失函数为笔顺损失函数(Stroke Order Loss)，可以用于预训练一个自行设计的可预测笔顺信息的循环神经网络(Recurrent Neural Network，RNN)，其中，RNN中的节点数为汉字最多笔画数，将每个节点预测的特征通过连接函数结合在一起，即形成一个笔顺特征矩阵。在待训练目标字体风格融合模型未训练完成之前，该模型输出的结果可能会出现笔顺不正确或笔顺缺失的情况，在此种情况下，可以基于笔顺损失函数对模型不断的进行调整，得到与各输入文字相对应的笔顺结果，还可以通过对该模型的训练调整，实现对输入文字笔顺的预测，以提高模型的笔顺预测的准确度。

第三个损失函数为对抗性损失函数(Adv Loss)，可以采用带辅助分类器(Auxiliary Classifier Generative Adversarial Network，ACGAN)的判别器结构，判别器在对生成字体的真假进行判断的同时，还将生成的字体种类进行分类。在字体风格提取子模型中输入参考文字时，同时还输入了与参考文字相对应的字体风格标签，根据对抗性损失函数，可以判断生成的字体是否与输入的字体风格标签相匹配。然后根据匹配结果以及对抗性损失函数对待训练字体融合模型的模型参数进行训练，以使该模型能够输出与字体风格标签相匹配的字体风格。

第四个损失函数为风格编码损失函数(Triplet loss)，可以用来约束不同的字体生成的字体风格编码的二范数尽可能接近0。也就是说，风格编码损失函数可以得到两个不同字体风格之间的二范数，根据二范数的值可以确定得到的字体风格更偏向哪种字体风格，为了使不同字体风格进行融合时具有连续性，使二范数的值尽量保持在0附近，则得到的融合后的字体风格介于两种字体风格之间，不偏向其中的任意一种字体风格。

第五个损失函数为字体区分性函数(Style Regularization(SR)loss)，可以用来约束不同字体生成的字体风格编码之间有足够的可区分性。在第四个损失函数的基础上，叠加字体区分函数可以对得到的字体风格编码进行区分。

需要说明的是，以上五个损失函数可以是叠加使用的，也可以是单独使用，基于至少一个损失函数对待处理字体风格融合模型进行模型参数的修正。其中，通过SR loss和Triplet loss之间的互相约束，最终使得不同字体的风格编码分布存在差异但又尽可能连续。因此，本方法在生成字体的同时，可以连续地控制字体的风格。

这样设置的好处在于，基于至少一个损失函数能够更好的对待训练字体风格融合模型的训练进行约束，以获得效果最佳的目标字体风格融合模型，在基于目标风格融合模型对不同的字体进行融合时，得到的实际输出图像中包含的文字的字体风格转换更加自然。

在确定各损失函数后，可以基于该损失函数对模型进行训练，此时可以获取第二训练样本集，以基于第二训练样本集训练得到目标字体风格融合模型。

其中，第二训练样本集中包括两组训练数据。分别为第二训练文字和第二训练图像，以及第三训练文字所对应的第三训练图像和字体风格标签。

当前第二训练样本可以理解为即将输入待训练字体风格融合模型中进行融合的训练样本。实际输出图像可以理解为基于待训练字体风格融合模型训练后的到的字体风格相融合的图像，例如，输入的第二训练样本集中包含楷体字体风格的“仓”和宋体字体风格的“颉”，基于待训练字体风格融合模型对第二样本集进行融合处理，可以得到“仓”字所对应的实际输出图像，此时输出的“仓”字的字体风格介于楷体字体风格和宋体字体风格之间。其中，在此使用的楷体字体风格和宋体字体风格为现有的，具有版权的字体风格，仅做示意性说明，而非对具有版权字体风格的限定。损失函数可以理解为用于评价模型的预测值和真实值不一样的程度，从而指导下一步的训练向正确的方向进行，损失函数越好，通常模型的性能越好。理论输出图像可以理解为基于目标字体风格融合模型输出的第一训练文字在特定字体下所对应的文字图像。损失值可以理解为基于损失函数确定的实际图像与理论图像的偏差值。训练目标可以理解为基于各损失函数的损失值作为检测损失函数是否达到收敛的条件。

具体的，在第二训练样本集中包含第二训练文字的第二训练图像和第三训练文字的第三训练图像以及第三训练文字的字体风格标签，第二训练文字和第三训练文字的文字风格可以相同，也可以不相同。首先在待训练字体风格融合模型中输入第二训练文字，在第二训练文字中，可以包含该文字的字体特征，如笔画特征，然后输入第三训练文字以及第三训练文字的字体风格标签。基于目标字体风格融合模型对第二训练样本集进行训练，将第二训练文字的字体特征与第三训练文字的字体风格进行融合，并将融合后的文字所对应的图像作为实际输出图像。

示例性地，在基于待训练字体风格融合模型对A字体风格的“仓”和B字体风格的“颉”字进行融合，将融合后生成C字体风格的“仓”字作为实际输出图像，将具有B字体风格的“仓”字作为理论输出图像。其中，C字体风格为基于A字体风格和B字体风格之间的字体风格。考虑到待训练字体风格融合模型在没有训练好之前，所得到实际输出图像与理论输出图像存在差异，例如实际输出图像中可能存在笔画缺失或者与文字输出错误等，得到的实际输出图像不理想，因此，可以基于至少一个损失函数对实际输出图像和理论输出图像进行损失处理，确定实际输出图像的损失值。

可以理解的是，确定损失值时需要判断损失函数的训练误差是否小于预设误差或误差变化趋势是否趋于稳定，或者当前的迭代次数是否等于预设次数。若检测达到收敛条件，比如损失函数的训练误差小于预设误差，或者误差变化趋势趋于稳定，表明该待训练字体风格融合模型训练完成，此时可以停止迭代训练。若检测到当前未达到收敛条件，可以进一步获取实际输出图像和相应的理论输出图像以对模型继续进行训练，直至损失函数的训练误差在预设范围之内。当损失函数的训练误差达到收敛时，即可将训练完成的待训练字体风格融合模型作为目标字体风格融合模型。

具体的，根据至少一个损失函数对实际输出图像和相应的理论输出图像损失处理，确定各损失函数所对应的损失值，并进行损失值求和，得到最终的损失值。通过得到的损失值可以确定实际输出图像和相应的理论输出图像之间的偏差然后基于损失值对待训练字体风格融合模型中的模型参数进行修正。当至少一个损失函数均达到损失函数的收敛条件时，待训练字体风格融合模型训练完毕，得到目标字体风格融合模型。

S230、获取分别与待处理文字和参考文字相对应的待处理图像。

S240、将所述待处理图像输入至目标字体风格融合模型中，得到所述待处理文字在目标字体风格下的目标文字。

在实际应用中，可选的，所述目标字体风格融合模型中还包括笔画特征提取子模型，所述将所述待处理图像输入至目标字体风格融合模型中，得到所述待处理文字在目标字体风格下的目标文字，包括：基于所述笔画特征提取子模型提取所述待处理文字的笔画特征；相应的，所述基于所述编码子模型对所述参考字体风格以及图像特征进行处理，得到所述待处理文字在目标字体风格下的目标文字，包括：基于所述编码子模型对所述参考字体风格、笔画特征以及图像特征进行处理，得到所述待处理文字在目标字体风格下的目标文字。

具体的，在目标字体风格融合模型中输入待处理文字“仓”所对应的待处理图像，基于预先训练好的笔画特征提取子模型可以提取待处理文字的笔画特征，同时，在目标字体风格融合模型中输入参考文字“颉”所对应的待处理图像，基于目标字体风格融合模型中的字体风格提取子模型提取参考文字“颉”字的字体风格特征。将提取的字体风格特征输入编码子模型，以对字体风格进行编码处理，然后将得到的结果输入编译器中，在编译器中字体风格和上述拼接结果进行进一步的处理，以得到具有目标字体风格的目标文字。

S250、基于所述笔画特征提取子模型提取所述待处理文字的笔画特征。

其中，笔画特征提取子模型提可以理解为用于提取文字的笔画特征的模型，可以为卷积神经网络(Convolutional Neural Networks，CNN)，也可以为一个笔画特征提取器，设置在目标字体风格融合模型中，用于在用户输入待处理文字后，对待处理文字的笔画特征进行提取。文字的笔画特征中可以包括文字的笔画内容特征，例如文字“仓”的笔画特征可以包括“撇”“捺”“横折钩”和“竖弯钩”。

具体的，与字体风格提取子模型相类似的，在使用笔画特征提取子模型之前，需要先对该模型进行训练，调节该模型的模型参数，以提高该模型提取图像中的文字的笔画特征的准确性。确定该模型的最佳模型参数后，基于该模型对输入的待处理图像中的文字进行笔画特征提取，通过笔画特征提取子模型可以确定待处理文字的笔画特征，包括待处理文字的具体笔画特征。

S260、基于所述图像特征提取子模型提取与所述待处理文字相对应的图像特征；其中，所述图像特征中包括内容特征和待处理字体风格特征。

其中，内容特征可以理解为文字的笔画特征、笔顺特征以及间架结构特征等。

具体的，图像特征提取子模型为预先训练好的模型，且模型参数固定，在该模型中输入包含待处理文字的图像，通过图像特征提取子模型可以确定待处理文字的笔画特征、笔顺特征、间架结构等特征以及文字风格等特征。以便根据对待处理文字的图像特征与其他字体的字体风格进行融合。

S270、基于所述编码子模型对所述参考字体风格、笔画特征以及图像特征进行处理，得到所述待处理文字在目标字体风格下的目标文字。

其中，编码子模型可以理解为对文字的图像特征进行编码处理的模型，文字的图像特征可以以序列的格式输入编码子模型中，基于编码子模型对各序列进行拼接处理，可以对各图像特征进行融合。

具体的，将参考文字的字体风格特征、待处理文字的笔画特在即图像特征输入编码子模型中进行拼接处理，可以将参考字体风格和待处理文字的字体风格融合在一起，得到具有目标字体风格的待处理文字，并将处理后的待处理文字作为目标文字。

本公开实施例的技术方案，基于所述字体风格提取子模型提取所述参考文字的参考字体风格，确定参考字体风格的特征，以基于参考字体风格对待处理文字的字体风格进行融合处理，得到待处理文字的字体风格和参考字体风格之间的字体风格。基于所述笔画特征提取子模型提取所述待处理文字的笔画特征，获取待处理文字的笔画特征、笔顺特征以及图像特征等。基于所述图像特征提取子模型提取与所述待处理文字相对应的图像特征，以基于确定的待处理文字所对应的图像特征与参考字体的字体风格相融合。基于所述编码子模型对所述参考字体风格、笔画特征以及图像特征进行处理，得到所述待处理文字在目标字体风格下的目标文字，用以向用户提供用户期望的文字，所得的目标文字具有待处理文字的笔画特征和图像特征，文字风格特征介于待处理文字的文字风格和参考字体风格之间。解决了目标文字的字体风格与用户期望的文字风格不符的问题，实现了生成目标文字风格的文字的效果。

实施例三

图5为本公开实施例三所提供的一种文字生成装置结构示意图，该装置具体包括：待处理图像获取模块310和目标文字确定模块320。

待处理图像获取模块310，用于获取分别与待处理文字和参考文字相对应的待处理图像；

目标文字确定模块320，用于将所述待处理图像输入至目标字体风格融合模型中，得到所述待处理文字在目标字体风格下的目标文字；

其中，所述目标字体风格是基于所述字体风格融合模型对所述参考文字的参考字体风格和所述待处理文字的待处理字体风格融合确定的。

本公开实施例的技术方案，获取分别与待处理文字和参考文字相对应的待处理图像，以基于目标字体风格融合模型待处理文字字体风格和参考字体风格进行融合，得到介于待处理文字和参考文字的字体风格之间的任意一种字体风格，且可以根据用户的需求，对字体风格反复进行融合直到得到与用户需求相一致的字体风格的文字。将所述待处理图像输入至目标字体风格融合模型中，得到所述待处理文字在目标字体风格下的目标文字，满足用户将待处理文字的字体风格转换为目标字体风格的需求。解决了无法生成字体风格介于两种字体风格之间的文字的问题，通过将两种字体风格融合为介于两种字体风格之间的任意一种目标字体风格，并生成与目标字体风格相一致的文字，实现了生成与两种字体风格之间的任意一种字体风格相对应的文字的效果。

在上述技术方案的基础上，可选地，所述待处理图像获取模块，用于：

基于编辑控件中编辑的待处理文字和参考文字，生成与所述待处理文字和所述参考文字所对应的待处理图像。

在上述技术方案的基础上，可选地，所述目标文字确定模块，包括：

参考字体风格确定子模块，用于所述目标字体风格融合模型中包括字体风格提取子模型、笔画特征提取子模型、图像特征提取子模型以及编码子模型，基于所述字体风格提取子模型提取所述参考文字的参考字体风格；

图像特征提取子模块，用于基于所述图像特征提取子模型提取与所述待处理文字相对应的图像特征；其中，所述图像特征中包括内容特征和待处理字体风格特征；

目标文字确定子模块，用于基于所述编码子模型对所述参考字体风格以及图像特征进行处理，得到所述待处理文字在目标字体风格下的目标文字。

在上述技术方案的基础上，可选地，所述目标文字确定模块，包括：

笔画特征提取子模块，用于基于所述笔画特征提取子模型提取所述待处理文字的笔画特征；

相应的，所述目标文字确定子模块包括：

目标文字确定子模块，用于基于所述编码子模型对所述参考字体风格、笔画特征以及图像特征进行处理，得到所述待处理文字在目标字体风格下的目标文字。

在上述技术方案的基础上，可选地，所述文字生成装置，还包括：

文字包生成模块，用于基于所述目标字体风格融合模型，生成各文字在所述目标字体风格下的待使用文字，并基于所述待使用文字生成文字包。

在上述技术方案的基础上，可选地，所述文字包生成模块，还用于：

在检测到从字体风格列表中选择的字体风格为所述目标字体风格，并检测到编辑待处理文字时，从所述文字包中获取与所述待处理文字相对应的目标文字。

在上述技术方案的基础上，可选地，所述笔画特征提取子模块，还包括：

笔画特征提取子模型确定单元，用于训练得到所述目标字体风格融合模型中的笔画特征提取子模型；

所述笔画特征提取子模型确定单元，包括：

第一训练样本集合获取子单元，用于获取第一训练样本集合；其中，所述第一训练样本集合中包括多个第一训练样本，第一训练样本中包括第一训练文字对应的第一图像和第一笔画向量；

笔画特征提取子模型确定子单元，用于针对各第一训练样本，将当前第一训练样本的第一图像为待训练笔画特征提取子模型的输入参数，将相应的第一笔画向量作为所述待训练笔画特征提取子模型的输出参数，对所述待训练笔画特征提取子模型进行训练，以得到所述笔画特征提取子模型。

在上述技术方案的基础上，可选地，所述参考字体风格确定子模块，包括：

目标字体风格融合模型确定单元，用于训练得到所述目标字体风格融合模型；

所述目标字体风格融合模型确定单元，包括：

第二训练样本集获取子单元，用于获取第二训练样本集；其中，所述第二训练样本集中包括多个第二训练样本，所述第二训练样本中包括第二训练文字的第二训练图像，第三训练文字的第三训练图像，以及所述第三训练文字的字体风格标签；所述第二训练文字和所述第三训练文字的字体风格相同或相异；

实际输出图像确定子单元，用于针对各第二训练样本，将当前第二训练样本输入至待训练字体风格融合模型中，以基于待训练字体风格提取子模型对所述第一训练文字的体风格标签和第三训练图像进行处理，得到待融合字体风格，基于待训练图像特征提取子模型对第二训练图像进行内容特征提取，得到待融合内容特征，基于所述笔画特征提取子模型对所述第二训练图像中的第二训练文字进行笔画特征提取，得到笔画特征，基于待训练编码子模型对所述待融合字体风格、所述待融合内容特征以及所述笔画特征进行处理，得到实际输出图像；其中，所述待训练字体风格融合模型中包括待训练字体风格提取子模型、待训练图像特征提取子模型以及待训练编码子模型；

模型参数修正子单元，用于基于至少一个损失函数对所述实际输出图像和相应的理论输出图像损失处理，确定损失值，以基于所述损失值修正所述待训练字体风格融合模型中的各模型参数；

目标字体风格融合模型确定子单元，用于将所述至少一个损失函数收敛作为训练目标，得到所述目标字体风格融合模型。

在上述技术方案的基础上，可选地，所述至少一个损失函数包括重建损失函数，笔顺损失函数，对抗性损失函数，风格编码损失函数以及字体区分性函数。

本公开实施例所提供的文字生成装置可执行本公开任意实施例所提供的文字生成方法，具备执行方法相应的功能模块和有益效果。

值得注意的是，上述装置所包括的各个单元和模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明实施例的保护范围。

实施例四

图6为本公开实施例四所提供的一种电子设备的结构示意图。下面参考图6，其示出了适于用来实现本公开实施例的电子设备(例如图6中的终端设备或服务器)400的结构示意图。本公开实施例中的终端设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图6示出的电子设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。

如图6所示，电子设备400可以包括处理装置(例如中央处理器、图形处理器等)401，其可以根据存储在只读存储器(ROM)402中的程序或者从存储装置406加载到随机访问存储器(RAM)403中的程序而执行各种适当的动作和处理。在RAM 403中，还存储有电子设备400操作所需的各种程序和数据。处理装置401、ROM 402以及RAM 403通过总线404彼此相连。输入/输出(I/O)接口405也连接至总线404。

通常，以下装置可以连接至I/O接口405：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置406；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置407；包括例如磁带、硬盘等的存储装置406；以及通信装置409。通信装置409可以允许电子设备400与其他设备进行无线或有线通信以交换数据。虽然图6示出了具有各种装置的电子设备400，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。

特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在非暂态计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置409从网络上被下载和安装，或者从存储装置406被安装，或者从ROM 402被安装。在该计算机程序被处理装置401执行时，执行本公开实施例的文字生成方法中限定的上述功能。

实施例五

本公开实施例五提供了一种计算机存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述实施例所提供的文字生成方法。

需要说明的是，本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。

在一些实施方式中，客户端、服务器可以利用诸如HTTP(HyperText TransferProtocol，超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信(例如，通信网络)互连。通信网络的示例包括局域网(“LAN”)，广域网(“WAN”)，网际网(例如，互联网)以及端对端网络(例如，ad hoc端对端网络)，以及任何当前已知或未来研发的网络。

上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。

上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：获取分别与待处理文字和参考文字相对应的待处理图像；将所述待处理图像输入至目标字体风格融合模型中，得到所述待处理文字在目标字体风格下的目标文字；其中，所述目标字体风格是基于所述字体风格融合模型对所述参考文字的参考字体风格和所述待处理文字的待处理字体风格融合确定的。

或者，上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：获取分别与待处理文字和参考文字相对应的待处理图像；将所述待处理图像输入至目标字体风格融合模型中，得到所述待处理文字在目标字体风格下的目标文字；其中，所述目标字体风格是基于所述字体风格融合模型对所述参考文字的参考字体风格和所述待处理文字的待处理字体风格融合确定的。

可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码，上述程序设计语言包括但不限于面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本公开实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。其中，单元的名称在某种情况下并不构成对该单元本身的限定，例如，第一获取单元还可以被描述为“获取至少两个网际协议地址的单元”。

本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。

在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。

根据本公开的一个或多个实施例，【示例一】提供了一种文字生成方法，该方法包括：

获取分别与待处理文字和参考文字相对应的待处理图像；

将所述待处理图像输入至目标字体风格融合模型中，得到所述待处理文字在目标字体风格下的目标文字；

其中，所述目标字体风格是基于所述字体风格融合模型对所述参考文字的参考字体风格和所述待处理文字的待处理字体风格融合确定的。

根据本公开的一个或多个实施例，【示例二】提供了一种图像处理方法，该方法，还包括：

可选的，所述获取分别与待处理文字和参考文字相对应的待处理图像，包括：

基于编辑控件中编辑的待处理文字和参考文字，生成与所述待处理文字和所述参考文字所对应的待处理图像。

根据本公开的一个或多个实施例，【示例三】提供了一种文字生成方法，该方法，还包括：

可选的，所述目标字体风格融合模型中包括字体风格提取子模型、图像特征提取子模型以及编码子模型，所述将所述待处理图像输入至目标字体风格融合模型中，得到所述待处理文字在目标字体风格下的目标文字，还包括：

基于所述字体风格提取子模型提取所述参考文字的参考字体风格；

基于所述图像特征提取子模型提取与所述待处理文字相对应的图像特征；其中，所述图像特征中包括内容特征和待处理字体风格特征；

基于所述编码子模型对所述参考字体风格以及图像特征进行处理，得到所述待处理文字在目标字体风格下的目标文字。

根据本公开的一个或多个实施例，【示例四】提供了一种文字生成方法，该方法，还包括：

可选的，所述目标字体风格融合模型中还包括笔画特征提取子模型，所述将所述待处理图像输入至目标字体风格融合模型中，得到所述待处理文字在目标字体风格下的目标文字，包括：

基于所述笔画特征提取子模型提取所述待处理文字的笔画特征；

相应的，所述基于所述编码子模型对所述参考字体风格以及图像特征进行处理，得到所述待处理文字在目标字体风格下的目标文字，包括：

基于所述编码子模型对所述参考字体风格、笔画特征以及图像特征进行处理，得到所述待处理文字在目标字体风格下的目标文字。

根据本公开的一个或多个实施例，【示例五】提供了一种文字生成方法，该方法，还包括：

可选的，基于所述目标字体风格融合模型，生成各文字在所述目标字体风格下的待使用文字，并基于所述待使用文字生成文字包。

根据本公开的一个或多个实施例，【示例六】提供了一种文字生成方法，该方法，还包括：

可选的，在检测到从字体风格列表中选择的字体风格为所述目标字体风格，并检测到编辑待处理文字时，从所述文字包中获取与所述待处理文字相对应的目标文字。

根据本公开的一个或多个实施例，【示例七】提供了一种文字生成方法，该方法，还包括：

可选的，训练得到所述目标字体风格融合模型中的笔画特征提取子模型；

所述训练得到所述目标字体风格融合模型中的笔画特征提取子模型，包括：

获取第一训练样本集合；其中，所述第一训练样本集合中包括多个第一训练样本，第一训练样本中包括第一训练文字对应的第一图像和第一笔画向量；

针对各第一训练样本，将当前第一训练样本的第一图像为待训练笔画特征提取子模型的输入参数，将相应的第一笔画向量作为所述待训练笔画特征提取子模型的输出参数，对所述待训练笔画特征提取子模型进行训练，以得到所述笔画特征提取子模型。

根据本公开的一个或多个实施例，【示例八】提供了一种文字生成方法，该方法，还包括：

可选的，训练得到所述目标字体风格融合模型；

所述训练得到所述目标字体风格融合模型，包括：

获取第二训练样本集；其中，所述第二训练样本集中包括多个第二训练样本，所述第二训练样本中包括第二训练文字的第二训练图像，第三训练文字的第三训练图像，以及所述第三训练文字的字体风格标签；所述第二训练文字和所述第三训练文字的字体风格相同或相异；

针对各第二训练样本，将当前第二训练样本输入至待训练字体风格融合模型中，以基于待训练字体风格提取子模型对所述第一训练文字的体风格标签和第三训练图像进行处理，得到待融合字体风格，基于待训练图像特征提取子模型对第二训练图像进行内容特征提取，得到待融合内容特征，基于所述笔画特征提取子模型对所述第二训练图像中的第二训练文字进行笔画特征提取，得到笔画特征，基于待训练编码子模型对所述待融合字体风格、所述待融合内容特征以及所述笔画特征进行处理，得到实际输出图像；其中，所述待训练字体风格融合模型中包括待训练字体风格提取子模型、待训练图像特征提取子模型以及待训练编码子模型；

基于至少一个损失函数对所述实际输出图像和相应的理论输出图像损失处理，确定损失值，以基于所述损失值修正所述待训练字体风格融合模型中的各模型参数；

将所述至少一个损失函数收敛作为训练目标，得到所述目标字体风格融合模型。

根据本公开的一个或多个实施例，【示例九】提供了一种文字生成方法，该方法，还包括：

可选的，所述至少一个损失函数包括重建损失函数，笔顺损失函数，对抗性损失函数，风格编码损失函数以及字体区分性函数。

根据本公开的一个或多个实施例，【示例十】提供了一种文字生成装置，该装置包括：

待处理图像获取模块，用于获取分别与待处理文字和参考文字相对应的待处理图像；

目标文字确定模块，用于将所述待处理图像输入至目标字体风格融合模型中，得到所述待处理文字在目标字体风格下的目标文字；

其中，所述目标字体风格是基于所述字体风格融合模型对所述参考文字的参考字体风格和所述待处理文字的待处理字体风格融合确定的。

以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开中所涉及的公开范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述公开构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

此外，虽然采用特定次序描绘了各操作，但是这不应当理解为要求这些操作以所示出的特定次序或以顺序次序执行来执行。在一定环境下，多任务和并行处理可能是有利的。同样地，虽然在上面论述中包含了若干具体实现细节，但是这些不应当被解释为对本公开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实施例中。相反地，在单个实施例的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实施例中。

尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题，但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反，上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。

Claims (12)

1.一种文字生成方法，其特征在于，包括：

获取分别与待处理文字和参考文字相对应的待处理图像；

将所述待处理图像输入至目标字体风格融合模型中，得到所述待处理文字在目标字体风格下的目标文字；

其中，所述目标字体风格是基于所述字体风格融合模型对所述参考文字的参考字体风格和所述待处理文字的待处理字体风格融合确定的。

2.根据权利要求1所述的方法，其特征在于，所述获取分别与待处理文字和参考文字相对应的待处理图像，包括：

基于编辑控件中编辑的待处理文字和参考文字，生成与所述待处理文字和所述参考文字所对应的待处理图像。

3.根据权利要求1所述的方法，其特征在于，所述目标字体风格融合模型中包括字体风格提取子模型、图像特征提取子模型以及编码子模型，所述将所述待处理图像输入至目标字体风格融合模型中，得到所述待处理文字在目标字体风格下的目标文字，包括：

基于所述字体风格提取子模型提取所述参考文字的参考字体风格；

基于所述图像特征提取子模型提取与所述待处理文字相对应的图像特征；其中，所述图像特征中包括内容特征和待处理字体风格特征；

基于所述编码子模型对所述参考字体风格以及图像特征进行处理，得到所述待处理文字在目标字体风格下的目标文字。

4.根据权利要求3所述的方法，其特征在于，所述目标字体风格融合模型中还包括笔画特征提取子模型，所述将所述待处理图像输入至目标字体风格融合模型中，得到所述待处理文字在目标字体风格下的目标文字，包括：

基于所述笔画特征提取子模型提取所述待处理文字的笔画特征；

相应的，所述基于所述编码子模型对所述参考字体风格以及图像特征进行处理，得到所述待处理文字在目标字体风格下的目标文字，包括：

基于所述编码子模型对所述参考字体风格、笔画特征以及图像特征进行处理，得到所述待处理文字在目标字体风格下的目标文字。

5.根据权利要求1所述的方法，其特征在于，还包括：

基于所述目标字体风格融合模型，生成各文字在所述目标字体风格下的待使用文字，并基于所述待使用文字生成文字包。

6.根据权利要求5所述的方法，其特征在于，还包括：

在检测到从字体风格列表中选择的字体风格为所述目标字体风格，并检测到编辑待处理文字时，从所述文字包中获取与所述待处理文字相对应的目标文字。

7.根据权利要求4所述的方法，其特征在于，还包括：

训练得到所述目标字体风格融合模型中的笔画特征提取子模型；

所述训练得到所述目标字体风格融合模型中的笔画特征提取子模型，包括：

获取第一训练样本集合；其中，所述第一训练样本集合中包括多个第一训练样本，第一训练样本中包括第一训练文字对应的第一图像和第一笔画向量；

针对各第一训练样本，将当前第一训练样本的第一图像为待训练笔画特征提取子模型的输入参数，将相应的第一笔画向量作为所述待训练笔画特征提取子模型的输出参数，对所述待训练笔画特征提取子模型进行训练，以得到所述笔画特征提取子模型。

8.根据权利要求7所述的方法，其特征在于，还包括：

训练得到所述目标字体风格融合模型；

所述训练得到所述目标字体风格融合模型，包括：

获取第二训练样本集；其中，所述第二训练样本集中包括多个第二训练样本，所述第二训练样本中包括第二训练文字的第二训练图像，第三训练文字的第三训练图像，以及所述第三训练文字的字体风格标签；所述第二训练文字和所述第三训练文字的字体风格相同或相异；

针对各第二训练样本，将当前第二训练样本输入至待训练字体风格融合模型中，以基于待训练字体风格提取子模型对所述第一训练文字的体风格标签和第三训练图像进行处理，得到待融合字体风格，基于待训练图像特征提取子模型对第二训练图像进行内容特征提取，得到待融合内容特征，基于所述笔画特征提取子模型对所述第二训练图像中的第二训练文字进行笔画特征提取，得到笔画特征，基于待训练编码子模型对所述待融合字体风格、所述待融合内容特征以及所述笔画特征进行处理，得到实际输出图像；其中，所述待训练字体风格融合模型中包括待训练字体风格提取子模型、待训练图像特征提取子模型以及待训练编码子模型；

基于至少一个损失函数对所述实际输出图像和相应的理论输出图像损失处理，确定损失值，以基于所述损失值修正所述待训练字体风格融合模型中的各模型参数；

将所述至少一个损失函数收敛作为训练目标，得到所述目标字体风格融合模型。

9.根据权利要求8所述的方法，其特征在于，所述至少一个损失函数包括重建损失函数，笔顺损失函数，对抗性损失函数，风格编码损失函数以及字体区分性函数。

10.一种文字生成装置，其特征在于，包括：

待处理图像获取模块，用于获取分别与待处理文字和参考文字相对应的待处理图像；

目标文字确定模块，用于将所述待处理图像输入至目标字体风格融合模型中，得到所述待处理文字在目标字体风格下的目标文字；

其中，所述目标字体风格是基于所述字体风格融合模型对所述参考文字的参考字体风格和所述待处理文字的待处理字体风格融合确定的。

11.一种电子设备，其特征在于，所述电子设备包括：

一个或多个处理器；

存储装置，用于存储一个或多个程序，

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-9中任一所述的文字生成方法。

12.一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行如权利要求1-9中任一所述的文字生成方法。

Images