CN114781556B - 基于字符部件信息的字体生成方法、系统、设备和介质 - Google Patents
基于字符部件信息的字体生成方法、系统、设备和介质 Download PDFInfo
- Publication number
- CN114781556B CN114781556B CN202210711534.XA CN202210711534A CN114781556B CN 114781556 B CN114781556 B CN 114781556B CN 202210711534 A CN202210711534 A CN 202210711534A CN 114781556 B CN114781556 B CN 114781556B
- Authority
- CN
- China
- Prior art keywords
- component
- character
- information
- network
- font
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Document Processing Apparatus (AREA)
Abstract
本公开涉及一种基于字符部件信息的字体生成方法、系统、设备和介质,所述方法包括如下步骤:将待输入字符利用部件拆分表获得字符的部件信息以及部件组合方式;利用字符部件融合网络将部件信息融合成所述待输入字符的唯一向量,将所述唯一向量输入到生成器网络中;将所述生成器网络输出的字体风格图片,输入判别器的特征提取网络以获得所述字体风格图片的特征向量;再将所述特征向量输入部件拆分网络,利用部件拆分网络获得所述字符的所有独体部件的信息,再对所述独体部件进行真假判别。通过部件信息的融合来表示字符信息,在一套具体的字体风格下,能够让部件的风格得到共用,提升字体风格的表达能力,同时更加有利于字体风格的一致性以及字体生成的质量。
Description
技术领域
本公开涉及字体生成领域,具体涉及一种基于字符部件信息的字体生成方法、系统、设备和介质。
背景技术
生成对抗网络是深度学习领域生成模型的一种,生成对抗网络由一个生成网络(G)与一个判别网络(D)组成。生成网络从潜在空间(latent space)中随机取样作为输入,其输出结果需要尽量模仿训练集中的真实样本。判别网络的输入则为真实样本或生成网络的输出,其目的是将生成网络的输出从真实样本中尽可能分辨出来。而生成网络则要尽可能地欺骗判别网络。两个网络相互对抗、不断调整参数,最终目的是使判别网络无法判断生成网络的输出结果是否真实。
在利用生成对抗网络进行汉字字体生成的过程中,往往需要指定具体的字符内容,作为内容信息输入到生成网络中,以进行条件生成。现有的内容信息的输入主要方式是为每一个字符内容指定一个具体的标签,然后根据字符标签进行输入,各个字符标签之间并没有什么直接关联。在判别网络的判别阶段对真假的判别也仅仅是对整个字符的判别。
而字符实际上是由字符部件组合而成的,不同字符间会存在共用同一个部件的情况。例如在一套6763个字符部件的字体中,通过字符部件拆分方法,能够将6763个字符拆分为525个部件,其中的每个字符都可由这525个部件中的一个或者若干个组合而成。
当字符内容信息从整体的字符标签方式输入改为利用部件信息以及部件组合方式输入,不仅能够减少内容标签总数,也能够利用字符部件信息提升生成字体的风格统一性。在判别网络的判别阶段从整个字符部件的判别改为对部件的判别,也能够提升对真假样本的判别能力,也就进一步提升了生成器的生成能力。
虽然目前也存在利用字符部件信息进行字体生成的相关技术以及算法,但是他们只聚焦在生成器阶段,而在判别网络的判别阶段同样只是对一个字符进行整体的判别,而没有考虑对字符的每个部件进行判别,对风格信息的提取能力和生成能力较弱。
发明内容
本公开提供一种基于字符部件信息的字体生成方法、系统、设备和介质,能够解决现有技术中只聚焦在生成器阶段,而在判别网络的判别阶段同样只是对一个字符进行整体的判别,而没有考虑对字符的每个部件进行判别,对风格信息的提取能力和生成能力较弱的问题。为解决上述技术问题,本公开提供如下技术方案:
作为本公开实施例的一个方面,提供一种基于字符部件信息的字体生成方法,包括如下步骤:
将待输入字符利用部件拆分表获得字符的部件信息以及部件组合方式;
利用字符部件融合网络将部件信息融合成所述待输入字符的唯一向量,将所述唯一向量输入到生成器网络中;
将所述生成器网络输出的字体风格图片,输入判别器的特征提取网络以获得所述字体风格图片的特征向量;再将所述特征向量输入部件拆分网络,利用部件拆分网络获得所述字符的所有独体部件的信息,再对所述独体部件进行真假判别。
可选地,所述字符部件融合网络构建的步骤为:
读取待输入字符的部件信息以及部件组合方式;
根据部件信息以及部件组合方式构建对应的二叉树结构;
获取作为叶子结点的独体部件的编码信息;
从所述二叉树结构的最底层的叶子结点开始,每次将所在层的结点信息通过部件合并过程向上合并后输入给父结点,然后将所述父结点的信息再通过部件合并过程输入给父结点的父结点,直到根结点具有所有部件信息后,表示一个字符的部件信息融合过程的结束。
可选地,所述部件合并过程具体为:
将两个所述叶子结点的编码信息利用部件组合方式合并成一个组合部件,所述组合部件具有组合后的组合部件信息。
可选地,所述字符部件拆分网络构建的步骤为:
根据部件信息以及部件组合方式将所述特征向量拆分直至获取待输入字符的所有独体部件的特征向量,根据所有独体部件的特征向量获取所有独体部件的判别结果;
将所有独体部件的判别结果合并后获得该字符真假的判别。
可选地,在将待输入字符利用部件拆分表获得字符的部件信息以及部件组合方式之前还包括如下步骤:构建字符与部件信息以及部件组合方式的对应关系的字符部件拆分表。
可选地,所述方法还包括如下步骤:
将所述生成器网络生成的字体图片和真实字体图片输入到所述判别器网络。
作为本公开实施例的另一个方面,提供一种基于字符部件信息的字体生成系统,包括:
部件信息获取模块,将待输入字符利用部件拆分表获得字符的部件信息以及部件组合方式;
生成器,利用字符部件融合网络将部件信息融合成所述待输入字符的唯一向量,将所述唯一向量输入到生成器网络中;
判别器,将所述生成器网络输出的字体风格图片,输入判别器的特征提取网络以获得所述字体风格图片的特征向量;再将所述特征向量输入部件拆分网络,利用部件拆分网络获得所述字符的所有独体部件的信息,再对所述独体部件进行真假判别。
可选地,所述系统还包括部件拆分表构建模块,用于构建字符与部件信息以及部件组合方式的对应关系。
作为本公开实施例的另一个方面,提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述的基于字符部件信息的字体生成方法。
作为本公开实施例的另一个方面,提供一种计算机可读存储介质,其上存储有计算机程序,所述程序被处理器执行时实现上述的基于字符部件信息的字体生成方法的步骤。
本公开实施例的有益效果或优点在于:通过部件信息的融合来表示字符信息,可以得到部件之间的共用,在一套具体的字体风格下,能够让部件的风格得到共用,提升字体风格的表达能力,同时更加有利于字体风格的一致性。原先对具体风格下的整体字符的判别仅仅是全局判别,通过部件拆分判别的方式,增加了独体部件的判别,也即增加了局部判别,能够进一步提升对样本真假判别的能力。进而进一步提高了生成样本的质量。
附图说明
图1为实施例1中的基于字符部件信息的字体生成方法流程图;
图2为字符部件融合网络构建步骤流程图;
图3为字符的二叉树结构示意图;
图4为字体生成模型示意图;
图5为字符部件拆分网络构建步骤流程图;
图6为实施例2中的基于字符部件信息的字体生成系统示意图。
具体实施方式
下面将结合本公开实施例中的附图,对本公开实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本公开一部分实施例,而不是全部的实施例。基于本公开中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本公开保护的范围。
本公开的一些基本概念如下:
独体部件:不能够再拆分的部件。
组合部件:两个部件组合起来的部件,其中这两个部件既可以是独体部件也可以是组合部件。
部件组合方式:部件的组合方式主要是指两个部件是如何组合起来的,比如是上下结构还是左右结构,还是半包围结构等等。
部件合并过程:两个子部件的表示信息和部件之间的组合方式。将两个子部件的表示信息拼接后输入到全连接网络中,根据具体的组合方式选择对应的全连接层的权重矩阵进行计算,获得组合后的一个组合部件信息,其维度和子部件的维度可以相同,也可以不一致。(但是在本公开中为了简化操作,保持维度相同,并不会影响结果)。
部件拆分过程:对于一个组合部件,通过部件的组合方式利用全连接网络将其拆分输出为两个子部件。
实施例1
作为本公开实施例的一个方面,提供一种基于字符部件信息的字体生成方法,部件融合网络主要利用的是深度学习领域的全连接网络、残差网络结构和Embedding,如图1所示,包括如下步骤:
S102、将待输入字符利用部件拆分表获得字符的部件信息以及部件组合方式;
S104、利用字符部件融合网络将部件信息融合成所述待输入字符的唯一向量,将所述唯一向量输入到生成器网络中;
S106、将所述生成器网络输出的字体风格图片,输入判别器的特征提取网络以获得所述字体风格图片的特征向量;再将所述特征向量输入部件拆分网络,利用部件拆分网络获得所述字符的所有独体部件的信息,再对所述独体部件进行真假判别。
例如,需要生成关于“英”这个字符内容的某一款风格的字体,首先通过部件拆分表获得该字符的部件信息以及部件组合方式。然后再利用部件融合网络获得“英”这个字符的所有部件融合后的唯一向量,以及输入的风格信息(可以类似于stylegan的方式,从标准正太分布中随机采样一个512维的向量z,然后再输入到生成器中),经过生成器后输出“英”这个字符的具体字体风格的图片(风格信息来源于z)。如果是在模型的推理阶段,则到这一步任务结束。如果是在模型的训练阶段,则需要继续将所述生成器网络输出的字体风格图片输入判别器的特征提取网络以获得所述字体风格图片的特征向量;再将所述特征向量输入部件拆分网络,利用部件拆分网络获得所述字符的所有独体部件的信息,再对所述独体部件进行真假判别。然后利用损失函数计算损失,最后利用反向传播算法更新部件融合网络和生成器网络的参数。
在一些实施例中,如图2所示,所述字符部件融合网络构建的步骤为:
S1042、读取待输入字符的部件信息以及部件组合方式;
S1044、根据部件信息以及部件组合方式构建对应的二叉树结构;例如,将一个字符的部件组合看为一个二叉树结构,树的叶子结点为独体部件,非叶子结点为组合部件。最开始只有叶子结点上具有编码信息,当两个叶子结点利用部件组合方式进行合并后成为一个组合部件,该组合部件就拥有了组合后的组合部件信息;
S1046、获取作为叶子结点的独体部件的编码信息;
S1048、从所述二叉树结构的最底层的叶子结点开始,每次将所在层的结点信息通过部件合并过程向上合并后输入给父结点,然后将所述父结点的信息再通过部件合并过程输入给所述父结点的父结点,直到根结点具有所有部件信息后,表示一个字符的部件信息融合过程的结束。
在一些实施例中,所述部件合并过程具体为:
将两个所述叶子结点的编码信息利用部件组合方式合并成一个组合部件,所述组合部件具有组合后的组合部件信息。
例如,一个字符的二叉树结构如图3所示:
a) 叶子结点为C、D、E,为独体部件;A、B为父结点,为组合部件。最开始只有叶子结点C、D、E具有部件信息(来自于embedding编码)。A和B结点的部件信息暂时为空。
b) D、E间的部件组合方式为lr(左右结构),结点B和结点C间的组合方式为up(上下结构)。
c) 首先从最底层开始,D和E结点通过部件合并过程输出一个组合部件的信息,然后输入到B结点中。
d) 然后B和C结点再通过部件合并过程输出一个组合部件的信息,再输入到A结点中。
e) 最终A结点为根结点,部件信息融合过程结束,A结点的信息即是对应字符部件融合后的所有信息。用A中的信息即可表示一个字符的所有信息。
在判别器阶段的目标是对每个独体部件进行真假判别,最后再确定该样本的真假。
例如,如图4所示,在前面生成部分生成的“英”这个字符的具体字体风格图片输入判别器的特征提取网络后获得特征向量v,然后v再输入部件拆分网络(同时输入字符的部件信息以及部件组合方式)获得“英”这个字符的所有独体部件的信息,再对这些独体部件进行真假判别,整合所有结果后,再利用损失函数计算fake风格图片判别为假的损失。同样输入数据集中的一个真样本的字体图片(real)(可以是“英”这个字符也可以是其他字符),同样先获得特征向量v,然后再经过部件拆分网络获得该字符所有独体部件的信息,整合所有结果后,再利用损失函数计算真实字体图片判别为真的损失,通过计算的损失和反向传播算法更新判别器部分的网络参数。
在一些实施例中,如图5所示,所述字符部件拆分网络构建的步骤为:
S1062、读取待输入字符的部件信息以及部件组合方式;
S1064、根据部件信息以及部件组合方式拆分直至获取待输入字符的所有独体部件的特征向量,根据所有独体部件的特征向量获取所有独体部件的判别结果;例如,从根结点开始,利用已知的部件组合方式对父结点进行部件拆分。拆分为两个孩子结点,如果孩子结点是独体部件(叶子结点)则不再拆分,可用于真假判别;如果依然是组合部件(父结点)继续向下进行拆分,直到不再有父结点可以拆分为止,这时候就得到了所有的独体部件的信息,可用于下一步的真假判别。
S1066、将所有独体部件的判别结果合并后获得该字符真假的判别。
在一些实施例中,在将待输入字符利用部件拆分表获得字符的部件信息以及部件组合方式之前还包括如下步骤:构建字符与部件信息以及部件组合方式的对应关系的字符部件拆分表。
例如,以图3的二叉树结构为例:
a)从根结点A开始,通过部件拆分过程,将A中的信息拆分输出后再分别输入到B和C中,再判断B和C是否为叶子结点,其中C为叶子结点,则不再拆分可用于真假判别,B为非叶子结点,继续向下进行拆分。
b) B结点通过部件拆分过程后将其中的信息拆分输出后再输入到D、E中,然后再判断D和E是否为叶子结点。当不再有父结点可向下拆分获得所有叶子结点后对所有叶子结点进行真假判别,部件判别过程结束。最后整合所有部件的判别信息(例如求一个平均值),获得最终的判别结果。
在一些实施例中,在将所述唯一向量输入到生成器网络中后还包括如下步骤:
将所述生成器网络生成的字体图片和真实字体图片输入到所述判别器网络。
实施例2
作为本公开实施例的另一个方面,提供一种基于字符部件信息的字体生成系统100,如图6所示,包括:
部件信息获取模块1,将待输入字符利用部件拆分表获得字符的部件信息以及部件组合方式;
生成器2,利用字符部件融合网络2-1将部件信息融合成所述待输入字符的唯一向量,将所述唯一向量输入到生成器网络2-2中;
判别器3,将所述生成器网络输出的字体风格图片,输入判别器特征提取网络3-1以获得所述字体风格图片的特征向量;再将所述特征向量输入部件拆分网络3-2,利用部件拆分网络3-2获得所述字符的所有独体部件的信息,再对所述独体部件进行真假判别。
例如,需要生成关于“英”这个字符内容的某一款风格的字体,首先通过部件拆分表获得该字符的部件信息以及部件组合方式。然后再利用部件融合网络2-1获得“英”这个字符的所有部件融合后的唯一向量,以及输入的风格信息(可以类似于stylegan的方式,从标准正太分布中随机采样一个512维的向量z然后再输入到生成器中),经过生成器2后输出“英”这个字符的具体字体风格的图片(风格信息来源于z)。如果是在模型的推理阶段,则到这一步任务结束。如果是在模型的训练阶段,则需要继续将所述生成器网络输出的字体风格图片输入判别器的特征提取网络以获得所述字体风格图片的特征向量;再将所述特征向量输入部件拆分网络,利用部件拆分网络获得所述字符的所有独体部件的信息,再对所述独体部件进行真假判别。然后利用损失函数计算损失,最后利用反向传播算法更新部件融合网络2-1和生成器网络2-2的参数。
在一些实施例中,所述生成器2中的字符部件融合网络2-1构建为:
读取待输入字符的部件信息以及部件组合方式;
根据部件信息以及部件组合方式构建对应的二叉树结构;例如,将一个字符的部件组合看为一个二叉树结构,树的叶子结点为独体部件,非叶子结点为组合部件。最开始只有叶子结点上具有编码信息,当两个叶子结点利用部件组合方式进行合并后成为一个组合部件,该组合部件就拥有了组合后的组合部件信息;
获取作为叶子结点的独体部件的编码信息;
从所述二叉树结构的最底层的叶子结点开始,每次将所在层的结点信息通过部件合并过程向上合并后输入给父结点,然后将所述父结点的信息再通过部件合并过程输入给所述父结点的父结点,直到根结点具有所有部件信息后,表示一个字符的部件信息以及部件组合方式融合过程的结束。
在一些实施例中,所述部件合并过程具体为:
将两个所述叶子结点的编码信息利用部件组合方式合并成一个组合部件,所述组合部件具有组合后的组合部件信息。
例如,一个字符的二叉树结构如图3所示:
a) 叶子结点为C、D、E,为独体部件;A、B为父结点,为组合部件。最开始只有叶子结点C、D、E具有部件信息(来自于embedding编码)。A和B结点的部件信息暂时为空。
b) D、E间的部件组合方式为lr(左右结构),结点B和结点C间的组合方式为up(上下结构)。
c) 首先从最底层开始,D和E结点通过部件合并过程输出一个组合部件的信息,然后输入到B结点中。
d) 然后B和C结点再通过部件合并过程输出一个组合部件信息,再输入到A结点中。
e) 最终A结点为根结点,部件信息融合过程结束,A结点的信息即是对应字符部件融合后的所有信息。用A中的信息即可表示一个字符的所有信息。
在判别器阶段的目标是对每个独体部件进行真假判别,最后再确定该样本的真假。
例如,在前面生成部分生成的“英”这个字符的具体字体风格图片输入判别器的特征提取网络3-1后获得特征向量v,然后v再输入部件拆分网络3-2(同时输入字符的部件信息以及部件组合方式)获得“英”这个字符的所有独体部件的信息,再对这些独体部件进行真假判别。整合所有结果后,再利用损失函数计算fake风格图片判别为假的损失。同样输入数据集中的一个真样本的字体图片(real)(可以是“英”这个字符也可以是其他字符),同样先获得特征向量v,然后再经过部件拆分网络3-2获得该字符所有独体部件的信息,整合所有结果后,再利用损失函数计算真实字体图片判别为真的损失。通过计算的损失和反向传播算法更新判别器3的网络参数。
在一些实施例中,所述字符部件拆分网络3-2构建为:
根据部件信息以及部件组合方式拆分直至获取待输入字符的所有独体部件的特征向量,根据所有独体部件的特征向量获取所有独体部件的判别结果;例如,从根结点开始,利用已知的部件组合方式对父结点进行部件拆分。拆分为两个孩子结点,如果孩子结点是独体部件(叶子结点)则不再拆分可用于真假判别,如果依然是组合部件(父结点)继续向下进行拆分。直到不再有父结点可以拆分为止,这时候就得到了所有的独体部件的信息,可用于下一步的真假判别。
将所有独体部件的判别结果合并后获得该字符真假的判别。
例如,以图3的二叉树结构为例:
a)从根结点A开始,通过部件拆分过程,将A中的信息拆分输出后再分别输入到B和C中,再判断B和C是否为叶子结点,其中C为叶子结点,则不再拆分可用于真假判别,B为非叶子结点,继续向下进行拆分。
b) B结点通过部件拆分过程后将其中的信息拆分输出后再输入到D、E中,然后再判断 D和E是否为叶子结点。当不再有父结点可向下拆分获得所有叶子结点后对所有叶子结点进行真假判别,部件判别过程结束。最后整合所有部件的判别信息(例如求一个平均值),获得最终的判别结果。
在一些实施例中,在将所述唯一向量输入到生成器网络中后还包括:
将所述生成器网络2-2生成的字体图片和真实字体图片输入到所述判别器网络。
在一些实施例中,所述系统100还包括部件拆分表构建模块,用于构建字符与部件信息以及部件组合方式的对应关系。
实施列3
本实施例提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现实施例1中的基于字符部件信息的字体生成方法。
本公开实施例3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。
电子设备可以以通用计算设备的形式表现,例如其可以为服务器设备。电子设备的组件可以包括但不限于:至少一个处理器、至少一个存储器、连接不同系统组件(包括存储器和处理器)的总线。
总线包括数据总线、地址总线和控制总线。
存储器可以包括易失性存储器,例如随机存取存储器(RAM)和/或高速缓存存储器,还可以进一步包括只读存储器(ROM)。
存储器还可以包括具有一组(至少一个)程序模块的程序工具,这样的程序模块包括但不限于:操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。
处理器通过运行存储在存储器中的计算机程序,从而执行各种功能应用以及数据处理。
电子设备也可以与一个或多个外部设备(例如键盘、指向设备等)通信。这种通信可以通过输入/输出(I/O)接口进行。并且,电子设备还可以通过网络适配器与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。网络适配器通过总线与电子设备的其它模块通信。应当明白,尽管图中未示出,可以结合电子设备使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理器、外部磁盘驱动阵列、RAID(磁盘阵列)系统、磁带驱动器以及数据备份存储系统等。
应当注意,尽管在上文详细描述中提及了电子设备的若干单元/模块或子单元/模块,但是这种划分仅仅是示例性的并非强制性的。实际上,根据本申请的实施方式,上文描述的两个或更多单元/模块的特征和功能可以在一个单元/模块中具体化。反之,上文描述的一个单元/模块的特征和功能可以进一步划分为由多个单元/模块来具体化。
实施列4
本实施例提供一种计算机可读存储介质,所述可读存储介质存储有计算机程序,所述程序被处理器执行时实现实施例1中的基于字符部件信息的字体生成方法的步骤。
其中,可读存储介质可以采用的更具体可以包括但不限于:便携式盘、硬盘、随机存取存储器、只读存储器、可擦拭可编程只读存储器、光存储器件、磁存储器件或上述的任意合适的组合。
在可能的实施方式中,本公开还可以实现为一种程序产品的形式,其包括程序代码,当所述程序产品在终端设备上运行时,所述程序代码用于使所述终端设备执行实现实施例1中所述的基于字符部件信息的字体生成方法的步骤。
其中,可以以一种或多种程序设计语言的任意组合来编写用于执行本公开的程序代码,所述程序代码可以完全地在用户设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户设备上部分在远程设备上执行或完全在远程设备上执行。
尽管已经示出和描述了本公开的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本公开的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本公开的范围由所附权利要求及其等同物限定。
Claims (9)
1.基于字符部件信息的字体生成方法,其特征在于,包括如下步骤:
将待输入字符利用字符部件拆分表获得字符的部件信息以及部件组合方式;
利用字符部件融合网络将部件信息融合成所述待输入字符的唯一向量,将所述唯一向量输入到生成器网络中;
将所述生成器网络输出的字体风格图片,输入判别器的特征提取网络以获得所述字体风格图片的特征向量;再将所述特征向量输入字符部件拆分网络,利用字符部件拆分网络获得所述字符的所有独体部件的信息,再对所述独体部件进行真假判别;
字符部件拆分网络构建的步骤为:
根据部件信息以及部件组合方式将所述特征向量拆分直至获取待输入字符的所有独体部件的特征向量,根据所有独体部件的特征向量获取所有独体部件的判别结果;
将所有独体部件的判别结果合并后获得该字符真假的判别。
2.如权利要求1所述的基于字符部件信息的字体生成方法,其特征在于,所述字符部件融合网络构建的步骤为:
读取待输入字符的部件信息以及部件组合方式;
根据部件信息以及部件组合方式构建对应的二叉树结构;
获取作为叶子结点的独体部件的编码信息;
从所述二叉树结构的最底层的叶子结点开始,每次将所在层的结点信息通过部件合并过程向上合并后输入给父结点,然后将所述父结点的信息再通过部件合并过程输入给父结点的父结点,直到根结点具有所有融合后的部件信息后,表示一个字符的部件信息融合过程的结束。
3.如权利要求2所述的基于字符部件信息的字体生成方法,其特征在于,所述部件合并过程具体为:
将两个所述叶子结点的编码信息利用部件组合方式合并成一个组合部件,所述组合部件具有组合后的组合部件信息。
4.如权利要求1所述的基于字符部件信息的字体生成方法,其特征在于,在将待输入字符利用字符部件拆分表获得字符的部件信息以及部件组合方式之前还包括如下步骤:构建字符与部件信息以及部件组合方式的对应关系的字符部件拆分表。
5.如权利要求1所述的基于字符部件信息的字体生成方法,其特征在于,所述方法还包括如下步骤:
将所述生成器网络生成的字体图片和真实字体图片输入到所述判别器网络。
6.基于字符部件信息的字体生成系统,其特征在于,包括:
部件信息获取模块,将待输入字符利用字符部件拆分表获得字符的部件信息以及部件组合方式;
生成器,利用字符部件融合网络将部件信息融合成所述待输入字符的唯一向量,将所述唯一向量输入到生成器网络中;
判别器,将所述生成器网络输出的字体风格图片,输入判别器的特征提取网络以获得所述字体风格图片的特征向量;再将所述特征向量输入字符部件拆分网络,利用字符部件拆分网络获得所述字符的所有独体部件的信息,再对所述独体部件进行真假判别;所述字符部件拆分网络根据部件信息以及部件组合方式将所述特征向量拆分直至获取待输入字符的所有独体部件的特征向量,根据所有独体部件的特征向量获取所有独体部件的判别结果;将所有独体部件的判别结果合并后获得该字符真假的判别。
7.如权利要求6所述的基于字符部件信息的字体生成系统,其特征在于,所述系统还包括字符部件拆分表构建模块,用于构建字符与部件信息以及部件组合方式的对应关系。
8.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至5任一项所述的基于字符部件信息的字体生成方法。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述程序被处理器执行时实现权利要求1至5任一项所述的基于字符部件信息的字体生成方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210711534.XA CN114781556B (zh) | 2022-06-22 | 2022-06-22 | 基于字符部件信息的字体生成方法、系统、设备和介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210711534.XA CN114781556B (zh) | 2022-06-22 | 2022-06-22 | 基于字符部件信息的字体生成方法、系统、设备和介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114781556A CN114781556A (zh) | 2022-07-22 |
CN114781556B true CN114781556B (zh) | 2022-09-02 |
Family
ID=82422433
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210711534.XA Active CN114781556B (zh) | 2022-06-22 | 2022-06-22 | 基于字符部件信息的字体生成方法、系统、设备和介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114781556B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110503598A (zh) * | 2019-07-30 | 2019-11-26 | 西安理工大学 | 基于条件循环一致性生成对抗网络的字体风格迁移方法 |
CN111242241A (zh) * | 2020-02-17 | 2020-06-05 | 南京理工大学 | 刻蚀字符识别网络训练样本增广方法 |
CN113792854A (zh) * | 2021-09-09 | 2021-12-14 | 北京百度网讯科技有限公司 | 一种模型训练及字库建立方法、装置、设备及存储介质 |
CN114139495A (zh) * | 2021-11-29 | 2022-03-04 | 合肥高维数据技术有限公司 | 基于自适应生成对抗网络的中文字体风格迁移方法 |
-
2022
- 2022-06-22 CN CN202210711534.XA patent/CN114781556B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110503598A (zh) * | 2019-07-30 | 2019-11-26 | 西安理工大学 | 基于条件循环一致性生成对抗网络的字体风格迁移方法 |
CN111242241A (zh) * | 2020-02-17 | 2020-06-05 | 南京理工大学 | 刻蚀字符识别网络训练样本增广方法 |
CN113792854A (zh) * | 2021-09-09 | 2021-12-14 | 北京百度网讯科技有限公司 | 一种模型训练及字库建立方法、装置、设备及存储介质 |
CN114139495A (zh) * | 2021-11-29 | 2022-03-04 | 合肥高维数据技术有限公司 | 基于自适应生成对抗网络的中文字体风格迁移方法 |
Non-Patent Citations (1)
Title |
---|
基于条件生成对抗网络的蒙古文字体风格迁移模型;李进等;《中文信息学报》;20200415(第04期);第55-59页 * |
Also Published As
Publication number | Publication date |
---|---|
CN114781556A (zh) | 2022-07-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111859960B (zh) | 基于知识蒸馏的语义匹配方法、装置、计算机设备和介质 | |
CN111523413B (zh) | 生成人脸图像的方法和装置 | |
CN113011186B (zh) | 命名实体识别方法、装置、设备及计算机可读存储介质 | |
KR20200068050A (ko) | 인공지능 수행을 위한 학습 데이터 생성장치 및 방법 | |
CN111428025B (zh) | 文本摘要方法、装置、电子设备和存储介质 | |
CN111930915B (zh) | 会话信息处理方法、装置、计算机可读存储介质及设备 | |
CN114067119B (zh) | 全景分割模型的训练方法、全景分割方法及装置 | |
CN112347787A (zh) | 方面级别情感分类方法、装置、设备及可读存储介质 | |
CN113032001B (zh) | 一种智能合约分类方法及装置 | |
CN116775183A (zh) | 基于大语言模型的任务生成方法、系统、设备及存储介质 | |
CN115618371A (zh) | 一种非文本数据的脱敏方法、装置及存储介质 | |
CN112053143B (zh) | 资金路由方法、装置、电子设备及存储介质 | |
US11599711B2 (en) | Automatic delineation and extraction of tabular data in portable document format using graph neural networks | |
CN115859121B (zh) | 文本处理模型训练方法及装置 | |
CN112052157B (zh) | 测试报文的构造方法、装置及系统 | |
CN113343692A (zh) | 搜索意图的识别方法、模型训练方法、装置、介质及设备 | |
CN114781556B (zh) | 基于字符部件信息的字体生成方法、系统、设备和介质 | |
WO2023093259A1 (en) | Iteratively updating a document structure to resolve disconnected text in element blocks | |
US20200104365A1 (en) | Clause analysis based on collection coherence in legal domain | |
CN113591881B (zh) | 基于模型融合的意图识别方法、装置、电子设备及介质 | |
CN115797171A (zh) | 合成图像的生成方法、装置、电子设备及存储介质 | |
CN114254617A (zh) | 一种修订条款的方法、装置、计算设备及存储介质 | |
CN113821677A (zh) | 一种生成封面图像的方法、装置、设备及存储介质 | |
CN112257450A (zh) | 数据处理方法、装置、可读存储介质及设备 | |
CN116069831B (zh) | 一种事件关系的挖掘方法及相关装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |