KR20220034080A

KR20220034080A - 순환 생성 네트워크 모델의 훈련 방법, 글자 라이브러리의 구축 방법 및 장치, 전자 기기, 저장 매체, 컴퓨터 프로그램

Info

Publication number: KR20220034080A
Application number: KR1020220026296A
Authority: KR
Inventors: 리청 탕; 지아밍 리우
Original assignee: 베이징 바이두 넷컴 사이언스 테크놀로지 컴퍼니 리미티드
Priority date: 2021-08-17
Filing date: 2022-02-28
Publication date: 2022-03-17
Also published as: US20220189189A1; CN113657397A; EP3998583A3; EP3998583A2; JP2022050666A; CN113657397B

Abstract

본 개시는 순환 생성 네트워크 모델의 훈련 방법 및 글자 라이브러리의 구축 방법을 제공하며, 인공 지능 분야, 특히 컴퓨터 비전 및 딥 러닝 기술에 관한 것이며, 이미지 처리와 이미지 인식 등 장면에 적용될 수 있다. 구체적인 구현 방안은，소스 도메인 샘플 글자를 순환 생성 네트워크 모델에 입력하여 제1 타겟 도메인 생성 글자를 획득하는 것; 제1 타겟 도메인 생성 글자를 훈련된 문자 분류 모델에 입력함으로써, 순환 생성 네트워크 모델의 오자 손실을 계산하는 것; 제1 타겟 도메인 생성 글자와 미리 설정된 타겟 도메인 샘플 글자를 문자 분류 모델에 입력함으로써, 순환 생성 네트워크 모델의 특징 손실을 계산하는 것; 및 오자 손실과 특징 손실에 따라 순환 생성 네트워크 모델의 파라미터를 조정하는 것이다. 본 개시는 또한 순환 생성 네트워크 모델의 훈련 장치, 글자 라이브러리의 구축 장치, 전자 기기 및 저장 매체를 제공한다.

Description

순환 생성 네트워크 모델의 훈련 방법, 글자 라이브러리의 구축 방법 및 장치, 전자 기기, 저장 매체, 컴퓨터 프로그램{TRAINING METHOD FOR CIRCULARY GENERATING NETWORK MODEL, METHOD AND APPARATUS FOR ESTABLISHING WORD LIBRARY, ELECTRONIC DEVICE, RECORDING MEDIUM AND COMPUTER PROGRAM}

본 개시는 인공 지능 분야, 특히 컴퓨터 비전 및 딥 러닝 기술에 관한 것으로, 이미지 처리와 이미지 인식 등 장면에 적용될 수 있다. 보다 구체적으로는, 본 개시는 순환 생성 네트워크 모델의 훈련 방법 및 장치, 글자 라이브러리의 구축 방법과 장치, 전자 기기 및 저장 매체를 제공한다.

인터넷의 급속한 발전에 따라, 사람들이 이미지 스타일의 다양성에 대한 수요가 갈수록 높아지고 있다. 예를 들면, 다양한 스타일의 글자체의 생성은 광범위한 연구와 주목을 받고 있다.

본 개시는 순환 생성 네트워크 모델의 훈련 방법과 장치, 글자 라이브러리의 구축 방법과 장치, 전자 기기 및 저장 매체를 제공한다.

본 개시의 일 측면에 따르면, 순환 생성 네트워크 모델의 훈련 방법을 제공하며, 해당 방법은, 소스 도메인 샘플 글자를 순환 생성 네트워크 모델에 입력하여 제1 타겟 도메인 생성 글자를 획득하는 것; 제1 타겟 도메인 생성 글자를 훈련된 문자 분류 모델에 입력함으로써, 순환 생성 네트워크 모델의 오자 손실을 계산하는 것; 제1 타겟 도메인 생성 글자와 미리 설정된 타겟 도메인 샘플 글자를 문자 분류 모델에 입력함으로써, 순환 생성 네트워크 모델의 특징 손실을 계산하는 것; 및 오자 손실과 특징 손실에 따라 순환 생성 네트워크 모델의 파라미터를 조정하는 것을 포함한다.

두 번째 측면에 따르면, 글자 라이브러리의 구축 방법을 제공하며, 해당 방법은, 소스 도메인 입력 글자를 상기 순환 생성 네크워크 모델의 훈련 방법에 의해 훈련하여 획득한 순환 생성 네트워크 모델에 입력하여 타겟 도메인의 새 글자를 획득하는 것; 및 타겟 도메인의 새 글자에 기반하여 글자 라이브러리를 구축하는 것을 포함한다.

세 번째 측면에 따르면, 순환 생성 네트워크 모델의 훈련 장치를 제공하며, 해당 장치는, 소스 도메인 샘플 글자를 순환 생성 네트워크 모델에 입력하여 제1 타겟 도메인 생성 글자를 획득하기 위한 제1 생성 모듈; 제1 타겟 도메인 생성 글자를 훈련된 문자 분류 모델에 입력함으로써, 순환 생성 네트워크 모델의 오자 손실을 계산하기 위한 제1 계산 모듈; 제1 타겟 도메인 생성 글자와 미리 설정된 타겟 도메인 샘플 글자를 문자 분류 모델에 입력함으로써, 순환 생성 네트워크 모델의 특징 손실을 계산하기 위한 제2 컴퓨팅 모델; 및 오자 손실과 특징 손실에 따라 순환 생성 네트워크 모델의 파라미터를 조정하기 위한 제1 조정 모듈을 포함한다.

네 번째 측면에 따르면, 글자 라이브러리의 구축 장치를 제공하며, 해당 장치는, 소스 도메인 입력 글자를 상기 순환 생성 네크워크 모델의 훈련 장치에 의해 훈련한 순환 생성 네트워크 모델에 입력하여 타겟 도메인의 새 글자를 획득하기 위한 제3 생성 모듈; 및 타겟 도메인의 새 글자에 기반하여 글자 라이브러리를 구축하기 위한 글자 라이브러리 구축 모듈을 포함한다.

다섯 번째 측면에 따르면, 적어도 하나의 프로세서; 및 상기 적어도 하나의 프로세서와 통신 연결된 메모리를 포함하며, 여기서, 메모리에는 적어도 하나의 프로세서에 의해 실행 가능한 명령어가 저장되어 있고, 명령어는 적어도 하나의 프로세서에 의해 실행되어, 적어도 하나의 프로세서로 하여금 본 개시에 따라 제공된 방법을 실행할 수 있게 하는 전자 기기를 제공한다.

여섯 번째 측면에 따르면, 컴퓨터로 하여금 본 개시에 따라 제공된 방법을 실행하게 하기 위한 컴퓨터 명령어가 저장되어 있는 비휘발성 컴퓨터 판독 가능 저장 매체를 제공한다.

일곱 번째 측면에 따르면, 프로세서에 의해 실행될 시에 본 개시에 따라 제공된 방법을 구현하는 컴퓨터 프로그램을 포함하는 컴퓨터 프로그램 제품을 제공한다.

이 부분에서 설명한 내용은 본 개시의 실시예의 핵심 또는 중요한 특징들을 표시하기 위한 것이 아니며, 본 개시의 범위를 한정하는 데 사용하지 않는다는 것을 이해해야 한다. 본 개시의 기타 특징은 아래의 명세서를 통해 쉽게 이해할 수 있게 될 것이다.

도면은 본 방안을 보다 잘 이해하는 데 사용되며, 본 출원에 대한 한정이 되지 않는다. 그중에,
도 1은 본 개시의 일 실시예에 따른 순환 생성 네트워크 모델의 훈련 방법 및/또는 글자 라이브러리의 구축 방법이 적용될 수 있는 예시적인 시스템 아키텍처의 개략도이며,
도 2는 본 개시의 일 실시예에 따른 순환 생성 네트워크 모델의 훈련 방법의 흐름도이며,
도 3a는 본 개시의 일 실시예에 따른 순환 생성 네트워크 모델의 훈련 방법의 원리도이며,
도 3b 내지 도 3c는 본 개시의 일 실시예에 따른 순환 생성 네트워크 모델의 구조 원리도이며,
도 4a 내지 도 4b는 본 개시의 일 실시예에 따른 특징 손실의 시각화 효과도이며,
도 5는 본 개시의 일 실시예에 따른 특징 손실을 이용한 효과 비교도이며,
도 6은 본 개시의 일 실시예에 따른 오자 손실을 이용한 효과 비교도이며,
도 7은 본 개시의 일 실시예에 따른 순환 생성 네트워크 모델을 이용하여 소스 도메인의 샘플 글자를 기반으로 타겟 도메인 생성 글자를 생성하는 효과도이며,
도 8은 본 개시의 일 실시예에 따른 글자 라이브러리의 구축 방법의 흐름도이며,
도 9는 본 개시의 일 실시예에 따른 순환 생성 네트워크 모델의 훈련 장치의 블록도이며,
도 10은 본 개시의 일 실시예에 따른 글자 라이브러리의 구축 장치의 블록도이며,
도 11은 본 개시의 일 실시예에 따른 순환 생성 네트워크 모델의 훈련 방법 및/또는 글자 라이브러리의 구축 방법을 실시하기 위한 전자 기기의 블록도이다.

이하, 첨부된 도면을 참조하여 본 발명의 예시적인 실시예를 상세히 설명하기로 한다. 이해를 돕기 위하여 그 중에는 본 출원의 실시예의 다양한 세부사항이 포함되어 있으며, 이들을 단지 예시적인 것으로 간주해야 한다. 따라서, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자는 본 출원의 범위 및 사상을 벗어나는 것이 없이 여기서 설명된 실시예에 대해 다양한 변경 및 수정을 진행할 수 있음을 인식해야 한다. 마찬가지로, 명확하고 간결하기 위하여, 아래 설명중에는 공지 기능 또는 구성에 대한 설명은 생략하도록 한다.

글자체 생성은 이미지 스타일 이전 분야 중의 신흥 과제이며, 이미지 스타일 이전은 내용을 변경하지 않은 상황에서 이미지를 다른 스타일로 변환하는 것으로, 딥 러닝 응용의 인기적인 연구 방향이다.

현재, GAN(Generative Adversarial Networks, 생성적 적대 신경망) 모델을 적용하여 글자체 생성을 구현할 수 있다. 하지만, GAN 모델에 기반한 글자체 생성 방안에서 작은 데이터량을 이용하여 훈련된 네트워크는 기울기, 크기, 부분 획과 같은 상대적으로 비교적 약한 일부 특징만 학습할 수 있고, 사용자 스타일을 가장 잘 갖춘 특징을 학습할 수 없다. 비교적 큰 데이터량으로 훈련된 네트워크를 사용할 수도 있다. 하지만, 스타일 관점에서는 비교적 강하지만 훈련 세트이외의 한자는 오자가 발생하기 쉽다. 이러한 주류의 연구 결과는 글자체 수준의 효과까지 달하기 어렵다.

본 개시의 실시예는 순환 생성 네트워크 모델의 훈련 방법 및 해당 네트워크 모델를 이용한 글자 라이브러리의 구축 방법을 제안한다. 순환 생성 네트워크 CycleGAN(Cycle Generative Adversarial Networks, 생성적 적대 신경망, 순환 생성 네트워크로 약칭)을 이용하여 글자체 생성을 구현하며, 문자 분류 모델을 이용하여 오자 손실 및 특징 손실을 도입하여 순환 생성 네트워크 모델의 글자체 특징을 학습하는 능력을 향상시키고, 오자 생성의 확률을 감소한다.

본 개시의 실시예에서, 순환 생성 네트워크 모델은 소스 도메인과 타겟 도메인 사이의 스타일 이전을 구현할 수 있다. 순환 생성 네트워크 모델은 2개의 생성 모델과 2개의 판별 모델을 포함한다. 2개의 생성 모델은 각각 GeneratorA2B와 GeneratorB2A이며, GeneratorA2B는 스타일 A의 이미지를 스타일 B의 이미지로 변환하기 위한 것이고, GeneratorB2A는 스타일 B의 이미지를 스타일 A의 이미지로 변환하기 위한 것이다. 2개의 판별 모델은 각각 Discriminator A와 Discriminator B이며, Discriminator A는 변환후의 이미지가 스타일 A의 이미지에 속하는지를 판별하기 위한 것이며, Discriminator B는 변환후의 이미지가 스타일 B의 이미지에 속하는지를 판별하기 위한 것이다.

순환 생성 네트워크 모델의 훈련 과정에서 2개의 생성 모델의 훈련 목표는 되도록 타겟 도메인 스타일(또는 소스 도메인 스타일)을 가지는 이미지를 생성하는 것이고, 판별 모델의 훈련 목표는 되도록 생성 모델에서 생성된 이미지를 실제 타겟 도메인 이미지(또는 소스 도메인 이미지)와 구별하는 것이다. 훈련 과정에서 생성 모델과 판별 모델은 지속적으로 업데이트 및 최적화되어 2개의 생성 모델의 스타일 이전을 구현하는 능력을 점점 강해지도록 하고, 2개의 판별 모델의 생성된 이미지와 실제 이미지를 판별하는 능력도 점점 강해지도록 한다.

본 개시의 기술 방안에서 언급된 사용자 개인 정보의 수집, 저장, 사용, 가공, 전송, 제공, 공개, 및 적용 등 처리는 모두 관련 법률과 법규의 규정에 부합되고, 필용한 비밀 조치를 하고, 공서 양속을 위반하지 않는다는 점을 유의해야 한다.

본 개시의 기술 방안에서, 사용자의 개인 정보를 취득하기 전에, 모두 사용자의 허가 또는 동의를 받았다.

도 1은 본 개시의 일 실시예에 따른 순환 생성 네트워크 모델의 훈련 방법 및/또는 글자 라이브러리의 구축 방법이 적용될 수 있는 예시적인 시스템 아키텍처의 개략도이다. 도 1은 본 개시의 실시예가 적용될 수 있는 시스템 아키텍처의 예시로서, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 본 개시의 기술적 내용을 이해하기 위한 것일 뿐, 본 개시의 실시예가 기타 장비, 시스템, 환경 또는 장면에 사용할 수 없다는 것을 의미하지 않는다는 점을 유의해야 한다.

도 1에 도시된 바와 같이, 본 실시예에 따른 시스템 아키텍처(100)는 복수의 단말 기기(101), 네트워크(102) 및 서버(103)를 포함할 수 있다. 네트워크(102)는 단말 기기(101)와 서버(103) 사이의 통신 링크를 제공하기 위한 매개이다. 네트워크(102)는 예를 들면 유선 및/또는 무선 통신 링크 등과 같은 다양한 연결 유형을 포함할 수 있다.

사용자는 단말 기기(101)를 이용하여 네트워크(102)를 통해 서버(103)와 인터랙션하여 메시지 등을 수신 또는 송신할 수 있다. 단말 기기(101)는 다양한 전자 기기일 수 있으며, 스마트 폰, 태블릿 컴퓨터, 랩톱 컴퓨터 등을 포함하나 이에 한정되지 않는다.

본 개시의 실시예에서 제공하는 순환 생성 네트워크 모델의 훈련 방법 및/또는 글자 라이브러리의 구축 방법 중 적어도 하나는 일반적으로 서버(103)에 의해 실행될 수 있다. 이에 대응하여, 본 개시의 실시예에서 제공하는 순환 생성 네트워크 모델의 훈련 방법 및/또는 글자 라이브러리의 구축 장치는 일반적으로 서버(103)에 설치될 수 있다. 본 개시의 실시예에서 제공하는 순환 생성 네트워크 모델의 훈련 방법 및/또는 글자 라이브러리의 구축 방법은 또한 서버(103)와 다르고, 단말 기기(101) 및/또는 서버(103)와 통신이 가능한 서버 또는 서버 클러스터에 의해 실행될 수도 있다. 이에 대응하여, 본 개시의 실시예에서 제공하는 순환 생성 네트워크 모델의 훈련 장치 및/또는 글자 라이브러리의 구축 장치는 또한 서버(103)와 다르고 단말 기기(101) 및/또는 서버(103)와 통신이 가능한 서버 또는 서버 클러스터에 설치될 수도 있다.

도 2는 본 개시의 일 실시예에 따른 순환 생성 네트워크 모델의 훈련 방법의 흐름도이다.

도 2에 도시된 바와 같이, 순환 생성 네트워크 모델의 훈련 방법(200)은 동작 S210 내지 동작 S240을 포함할 수 있다.

동작 S210에서, 소스 도메인 샘플 글자를 순환 생성 네트워크 모델에 입력하여 제1 타겟 도메인 생성 글자를 획득한다.

예를 들면, 소스 도메인 샘플 글자는 소스 도메인 글자체 스타일을 갖는 이미지일 수 있고, 소스 도메인 글자체 스타일은 해서체, 송체 또는 고딕체와 같은 일반 글자체일 수 있다. 제1 타겟 도메인 생성 글자는 타겟 도메인 글자체 스타일의 이미지일 수 있고, 타겟 도메인 글자체 스타일은 사용자의 필기체 스타일 또는 기타 캘리그래피 스타일일 수 있다.

소스 도메인 샘플 글자를 순환 생성 네트워크 모델에 입력하면, 순환 생성 네트워크 모델은 제1 타겟 도메인 생성 글자를 출력한다. 예를 들면, 해서체“做(만들다)"를 포함하는 이미지를 순환 생성 네트워크 모델에 입력하면, 순환 생성 네트워크 모델은 필기체“做"를 포함하는 이미지를 출력할 수 있다.

동작 S220에서, 제1 타겟 도메인 생성 글자를 훈련된 문자 분류 모델에 입력함으로써, 순환 생성 네트워크 모델의 오자 손실을 계산한다.

예를 들면, 훈련된 문자 분류 모델은 VGG19(Visual Geometry Group19) 네트워크를 적용하여 훈련하여 획득한 것일 수 있다. 문자 분류 모델의 훈련 샘플은 다수의 글자체를 포함하는 이미지일 수 있으며, 예를 들면 훈련 샘플은 80종류 이상의 글자체 및 6, 700개 이상의 글자를 포함하는 약 45만개의 이미지일 수 있다.

제1 타켓 도메인 생성 글자를 상술한 문자 분류 모델에 입력하면, 상술한 문자 분류 모델은 제1 타켓 도메인 생성 글자에 대한 생성 문자 벡터

를 출력하고, 상술한 제1 목표 도메인 생성 글자에 대하여 표준 문자 벡터

가 미리 설정되어 있다.

는 생성 문자 벡터에서 i가 첨자된 요소를 나타내고,

는 표준 문자 벡터에서 i가 첨자된 요소를 나타내고, i는 0보다 크거나 같고 n보다 작거나 같은 정수이고, n은 생성 문자 벡터

와 표준 문자 벡터

중의 요소 개수를 나타낸다.

제1 타겟 도메인 생성 글자의 생성 문자 벡터

와 표준 문자 벡터

사이의 차이에 따라 하나의 손실을 결정할 수 있다. 이 손실은 오자 손실이라고 할 수 있다. 오자 손실은 순환 생성 네트워크 모델이 출력하는 제1 타켓 도메인 생성 글자의 오자율을 제약하기 위해 사용하여 순환 생성 네트워크 모델이 오자를 생성할 확률을 감소하도록 할 수 있다.

동작 S230에서, 제1 타겟 도메인 생성 글자와 미리 설정된 타켓 도메인 샘플 글자를 문자 분류 모델에 입력함으로써, 순환 생성 네트워크 모델의 특징 손실을 계산한다.

예를 들면, 제1 타켓 도메인 생성 글자는 순환 생성 네트워크 모델이 생성한 필기체“做(말들다)"를 포함하는 이미지이며, 타켓 도메인 샘플 글자는 필기체“做"를 포함하는 실제 이미지이며, 이 필기체“做"를 포함하는 실제 이미지는 사용자가 실제로 손으로 쓴 글자로 생성된 이미지일 수 있다. 해당 사용자가 실제로 쓴 글자로 생성된 이미지는 공개 데이터 세트에서 또는 사용자의 허가를 받은 후에 획득할 수 있다.

문자 분류 모델은 복수의 특징 레이어(예를 들면, 90개의 특징 레이어)를 포함할 수 있고, 제1 타겟 도메인 생성 글자를 순환 생성 네트워크 모델에 입력하면, 각 레이어에서 출력되는 생성 특징 맵을 획득할 수 있다. 타겟 도메인 샘플 글자를 순환 생성 네트워크 모델에 입력하면, 각 레이어에서 출력되는 샘플 특징 맵을 획득할 수 있다.

각 특징 레이어에서 출력되는 생성 특징 맵과 샘플 특징 맵 사이의 차이에 대해 해당 레이어의 특징 손실을 결정할 수 있다. 하나의 예시에서, 복수의 특징 레이어 중의 적어도 하나의 미리 설정된 레이어(예를 들면 45번째 레이어와 46번째 레이어)의 특징 손실의 합을 전체 특징 손실로 선택할 수 있다.

상술한 전체의 특징 손실은 순환 생성 네트워크 모델로 하여금 제1 타켓 도메인 생성 글자와 타켓 도메인 샘플 글자 사이의 차이가 비교적 큰 특징을 학습하게 함으로써, 순환 생성 네트워크 모델로 하여금 더 많은 글자체 세부를 학습하게 하여 순환 생성 네트워크 모델의 글자체 특징을 학습하는 능력을 향상하도록 하기 위한 것일수 있다.

동작 S240에서, 오자 손실 및 특징 손실에 따라 순환 생성 네트워크 모델의 파라미터를 조정한다.

예를 들면, 상술한 오자 손실 및 특징 손실의 합에 따라 순환 생성 네트워크 모델의 파라미터를 조정하여 업데이트된 순환 생성 네트워크 모델을 획득할 수 있다. 다음의 소스 도메인 샘플 글자에 대해, 업데이트된 순환 생성 네트워크 모델을 이용하여 동작 S210으로 돌아가서 반복하여 진행한다. 미리 설정된 훈련 중지 조건에 도달할 때까지 훈련되면, 생성 모델의 파라미터 조정을 중지하여 훈련된 순환 생성 네트워크를 획득한다. 훈련 중지 조건은 상술한 오자 손실과 특징 손실의 합이 수렴됨 등을 포함할 수 있다.

본 개시의 실시예는 순환 생성 네트워크 모델을 이용하여 소스 도메인의 샘플 글자를 기반으로 타겟 도메인 생성 글자를 생성하는 것을 통하여, 다양한 스타일의 글자체의 생성을 구현할 수 있다. 또한, 문자 분류 모델을 이용하여 오자 손실 및 특징 손실을 도입함으로써, 순환 생성 네트워크 모델의 글자체 특징을 학습하는 능력을 향상시키고, 오자 생성의 확률을 감소시킬 수 있다.

도 3a는 본 개시의 일 실시예에 따른 순환 생성 네트워크 모델의 훈련 방법의 원리도이다.

도 3b 내지 도 3c는 본 개시의 일 실시예에 따른 순환 생성 네트워크 모델의 구조 원리도이다.

도 3a에 도시된 바와 같이, 이 원리도는 순환 생성 네트워크 모델(310)과 문자 분류 모델(320)을 포함한다. 소스 도메인 샘플 글자(301)를 순환 생성 네트워크 모델(310)에 입력하면 제1 타켓 도메인 생성 글자(302)를 획득한다. 소스 도메인 샘플 글자(301), 제1 타켓 도메인 생성 글자(302) 및 타켓 도메인 샘플 글자(304)에 따라, 순환 생성 네트워크 모델(310)의 생성 손실(3101)을 계산할 수 있다. 제1 타겟 도메인 생성 글자(302)와 타겟 도메인 샘플 글자(304)를 문자 분류 모델(320)에 입력하면, 문자 분류 모델(320)의 출력 결과에 따라 오자 손실(3201)과 특징 손실(3202)을 계산할 수 있다.

생성 손실(3101), 오자 손실(3201) 및 특징 손실(3202)에 따라 순환 생성 네트워크 모델(310)의 파라미터를 조정할 수 있다.

도 3b 및 도 3c에 도시된 바와 같이, 순환 생성 네트워크 모델(310)은 제1 생성 모델(311), 제2 생성 모델(312), 제1 판별 모델(313) 및 제2 판별 모델(314)을 포함한다. 제1 생성 모델(311)은 소스 도메인 글자체 스타일의 이미지를 타켓 도메인 글자체 스타일의 이미지로 변환하기 위한 것이며, 제2 생성 모델(312)은 타켓 도메인 글자체 스타일의 이미지를 소스 도메인 글자체 스타일의 이미지로 변환하기 위한 것이다. 제1 판별 모델(313)은 변환 후의 이미지가 소스 도메인 글자체 스타일의 이미지에 속하는지를 판별하기 위한 것이며, 제2 판별 모델(314)은 변환후의 이미지가 타켓 도메인 글자체 스타일 이미지에 속하는지를 판별하기 위한 것이다.

상술한 순환 생성 네트워크 모델(310)의 구조에 기반하면, 순환 생성 네트워크 모델(310)은 2개의 순환 동작 프로세스를 포함할 수 있다. 도 3b는 소스 도메인 샘플 글자를 제1 생성 모델(311)에 입력하여 제1 타켓 도메인 생성 글자를 획득하고, 제1 타켓 도메인 생성 글자를 제2 생성 모델(312)에 입력하여 제1 소스 도메인 생성 글자를 획득하는 순환 생성 네트워크 모델(310)의 첫 번째 순환 동작 프로세스를 나타낸다. 도 3c는 타켓 도메인 샘플 글자를 제2 생성 모델(312)에 입력하여 제2 소스 도메인 생성 글자를 획득하고, 제2 소스 도메인 생성 글자를 제1 생성 모델(311)에 입력하여 제2 타켓 도메인 생성 글자를 획득하는 순환 생성 네트워크 모델(310)의 두 번째 순환 동작 프로세스를 나타낸다. 따라서, 순환 생성 네트워크 모델(310)의 샘플은 페어링으로 이루어되지 않은 이미지일 수 있으며, 훈련 데이터 간에 일대일 매핑을 구축할 필요가 없게 된다.

순환 생성 네트워크 모델(310)의 손실은 생성 손실(3101)과 판별 손실을 포함한다. 아래, 순환 생성 네트워크 모델(310)의 생성 손실(3101)과 판별 손실에 대하여 설명한다.

도 3b에 도시된 바와 같이, 순환 생성 네트워크 모델(310)의 첫 번째 순환 동작 프로세스는 아래와 같다. 소스 도메인 샘플 글자(301)(예를 들면 해서체를 포함하는 이미지, 해서체 이미지로 약칭)를 제1 생성 모델(311)에 입력하여 제1 타켓 도메인 생성 글자(302)(예를 들면 필기체를 포함하는 이미지, 필기체 이미지로 약칭)를 획득한다. 제1 타켓 도메인 생성 글자(302)(필기체 이미지)를 제2 생성 모델(312)에 입력하여 제1 소스 도메인 생성 글자(해서체 이미지)를 획득한다.

첫 번째 순환 동작 프로세스에서, 소스 도메인 샘플 글자(301)는 실제 해서체 이미지인 한편, 제1 소스 도메인 생성 글자(303)는 모델이 생성한 해서체 이미지로서, 가짜 해서체 이미지라고 할 수 있다. 제1 타겟 도메인 생성 글자(302)는 모델이 생성한 필기체 이미지로서, 가짜 필기체 이미지라고 할 수 있다. 훈련 과정에서, 소스 도메인 샘플 글자(301)를 진짜(Real)(예를 들면 값은 1)로 표시할 수 있고, 제1 타켓 도메인 생성 글자(302)를 가짜(Fake)(예를 들면 값은 0)으로 표시할 수 있다.

소스 도메인 샘플 글자(301)를 제1 판별 모델(313)에 입력하면, 제1 판별 모델(313)에 대해 말하면, 예상 출력은 1이여야 한다. 만약 제1 판별 모델(313)의 실제 출력이 X이고, 평균 제곱 편차를 이용하여 제1 판별 모델(313)의 손실을 계산할 경우, 제1 판별 모델(313)의 일부 손실은

로 표현될 수 있다.

제1 타켓 도메인 샘플 글자(302)를 제2 판별 모델(314)에 입력하면, 제2 판별 모델(314)에 대해 말하면, 예상 출력은 0이여야 한다. 제2 판별 모델(314)의 실제 출력이 Y^*이고(쉽게 구별하기 위해, *가 있는 파라미터를 사용하여 해당 파라미터가 모델이 생성한 이미지와 관련된다는 것을 나타내고, *가 없는 파라미터는 해당 파라미터가 실제 이미지와 관련된다는 것을 나타냄), 평균 제곱 편차를 사용하여 제2 판별 모델(314)의 손실을 계산할 경우, 제2 판별 모델(314)의 일부 손실은

로 표현될 수 있다.

제1 타켓 도메인 샘플 글자(302)를 제2 판별 모델(314)에 입력하면, 제1 생성 모델(311)에 대하여 말하면, 제2 판별 모델(314)의 예상 출력은 1이여야 한다. 만약 제2 판별 모델(314)의 실제 출력이 Y^*이고, 평균 제곱 편차를 이용하여 제1 생성 모델(311)의 손실을 계산할 경우, 제1 생성 모델(311)의 일부 손실은

로 표현될 수 있다.

소스 도메인 샘플 글자(301)를 제1 생성 모델(311)에 입력하여 획득한 제1 소스 도메인 생성 글자(303)가 단지 스타일 변환이고 내용이 변하지 않은 것을 보장하기 위하여, 제1 생성 모델(311)에 하나의 cycle-consistency loss(순환 일치성 손실)을 추가할 수 있다. 이 손실은 소스 도메인 샘플 글자(301)와 제1 소스 도메인 생성 글자(303) 사이의 차이에 따라 계산하여 획득할 수 있다. 예를 들면, 소스 도메인 샘플 글자(301)와 제1 소스 도메인 생성 글자(303) 의 두 이미지에 대해, 이들의 각 대응 픽셀 포인트의 픽셀 값의 차이을 구하고, 절대값을 계산하여 각 픽셀 포인트의 차이를 획득하고, 모든 픽셀 포인트의 차이를 합하여 제1 생성 모델(311)의 순환 일치성 손실을 획득하여 L1_A2B로 표현될 수 있다.

때문에, 제1 생성 모델(311)의 일부 손실은

이고, 다른 일부 손실은 L1_A2B이며, 이 두 부분의 손실의 합을 제1 생성 모델(311)의 총 손실

로 할 수 있으며, 제1 생성 모델(311)의 총 손실

는 다음 식 (1)로 표현될 수 있다.

(1)

도 3c에 도시된 바와 같이, 순환 생성 네트워크 모델(310)의 두 번째 순환 동작 프로세스는 다음과 같다. 타켓 도메인 샘플 글자(304)(예를 들면 필기체를 포함하는 이미지, 필기체 이미지로 약칭)를 제2 생성 모델(312)에 입력하여 제2 소스 도메인 생성 글자(305)(예를 들면 해서체를 포함하는 이미지, 해서체 이미지로 약칭)를 획득한다. 제2 소스 도메인 생성 글자(305)(필기체 이미지)를 제1 생성 모델(311)에 입력하여 제2 타켓 도메인 생성 글자(필기체 이미지)를 획득한다.

두 번째 순환 동작 프로세스에서, 타켓 도메인 샘플 글자(304)는 실제 필기체 이미지이고, 제2 타켓 도메인 생성 글자(306)는 모델이 생성한 필기체 이미지로서, 가짜 필기체 이미지라고 할 수 있다. 제2 소스 도메인 생성 글자(305)는 모델이 생성한 해서체 이미지로서, 가짜 해서체 이미지라고 할 수 있다. 훈련 과정에서, 타켓 도메인 샘플 글자(304)는 진짜(Real)(예를 들면 값은 1)로 표시될 수 있고, 제2 소스 도메인 생성 글자(305)는 가짜(Fake)(예를 들면 값은 0)로 표시될 수 있다.

타켓 도메임 샘플 글자(304)를 제2 판별 모델(314)에 입력하면, 제2 판별 모델(314)에 대해 말하면, 예상 출력은 1이여야 한다. 만약 제2 판별 모델(314)의 실제 출력이 Y이고, 평균 제곱 편차를 이용하여 제2 판별 모델(314)의 손실을 계산할 경우, 제2 판별 모델(314)의 일부 손실은

로 표현될 수 있다.

제2 소스 도메인 샘플 글자(305)를 제1 판별 모델(313)에 입력하면, 제1 판별 모델(313)에 대해 말하면 예상 출력은 0이여야 한다. 제1 판별 모델(313)의 실제 출력이 X^*이고, 평균 제곱 편차를 이용하여 제1 판별 모델(313)의 손실을 계산할 경우, 제1 판별 모델(313)의 일부 손실은

로 표현될 수 있다.

제2 소스 도메인 샘플 글자(305)를 제1 판별 모델(313)에 입력하면, 제2 생성 모델(312)에 대해 말하면, 제1 판별 모델(313)의 예상 출력은 1이여야 한다. 제1 판별 모델(313)의 실제 출력이 X^*이고, 평균 제곱 편차를 이용하여 제2 생성 모델(312)의 손실을 계산할 경우, 제2 생성 모델(312)의 일부 손실은

로 표현될 수 있다.

타켓 도메인 샘플 글자(304)를 제2 생성 모델(312)에 입력하여 획득한 제2 타켓 도메인 생성 글자(306)가 단지 스타일 변환이고 내용이 변하지 않은 것을 보장하기 위하여, 제2 생성 모델(312)에 하나의 cycle-consistency loss(순환 일치성 손실)을 추가할 수 있다. 이 손실은 타켓 도메인 샘플 글자(304)와 제2 타켓 도메인 생성 글자(306) 사이의 차이에 따라 계산하여 획득할 수 있다. 예를 들면, 타켓 도메인 샘플 글자(304)와 제2 타켓 도메인 생성 글자(306) 의 두 이미지에 대하여, 이들의 각 대응 픽셀 포인트의 픽셀 값의 차이을 구하고, 절대값을 계산하여 각 픽셀 포인트의 차이를 획득하고, 모든 픽셀 포인트의 차이를 합하여 제2 생성 모델(312)의 순환 일치성 손실을 획득하여 L1_B2A로 표현될 수 있다.

때문에, 제2 생성 모델(312)의 일부 손실은

이고, 다른 일부 손실은 L1_B2A이며, 이 두 부분의 손실의 합을 제2 생성 모델(312)의 총 손실로 할 수 있으며, 제2 생성 모델(312)의 총 손실

는 다음 식 (2)로 표현될 수 있다.

(2)

제1 생성 모델(311)의 총 손실

및 제2 생성 모델(312)의 총 손실

의 합을 순환 생성 네트워크 모델(310)의 생성 손실(3101)로 사용할 수 있고, 생성 손실(3101)은 다음 식 (3)으로 표현될 수 있다.

(3)

여기서,

는 순환 생성 네트워크 모델(310)의 생성 손실(3101)을 나타내며, 제1 생성 모델(311) 및 제2 생성 모델(312)의 파라미터를 조정하기 위한 것일 수 있다.

순환 생성 네트워크 모델(310)의 판별 손실은 제1 판별 모델(313)의 판별 손실과 제2 판별 모델(314)의 판별 손실을 포함한다.

도 3b에 따라 계산한 제1 판별 모델(313)의 일부 손실은

이고, 도 3c에 따라 계산한 제1 판별 모델(313)의 다른 일부 손실은

이며, 이 두 부분의 손실의 합을 제1 판별 모델(313)의 판별 손실로 할 수 있으며, 제1 판별 모델(313)의 판별 손실

는 다음 식 (4)로 표현될 수 있다.

(4)

제1 판별 모델(313)의 판별 손실

는 제1 판별 모델(313)의 파라미터를 조정하기 위한 것일 수 있다.

유사하게, 도 3b에 따라 계산한 제2 판별 모델(314)의 일부 손실은

이고, 도 3c에 따라 계산한 제2 판별 모델(314)의 다른 일부 손실은

이며, 이 두 부분의 손실의 합을 제2 판별 모델(314)의 판별 손실로 할 수 있으며, 제2 판별 모델(314)의 판별 손실

는 다음 식 (5)로 표현될 수 있다.

(5)

제2 판별 모델(314)의 판별 손실

는 제2 판별 모델(314)의 파라미터를 조정하기 위한 것일 수 있다.

아래, 문자 분류 모델(320)이 발생한 오자 손실(3201)과 특징 손실(3202)에 대하여 설명한다.

도 3a에 도시된 바와 같이, 제1 타겟 도메인 생성 글자(302)를 문자 분류 모델(320)에 입력하여 해당 제1 타켓 도메인 생성 글자(302)의 생성 문자 벡터

=[

]를 획득하며, 여기서, 벡터

중의 각 요소는 훈련 샘플중의 하나의 문자를 나타낼 수 있으며, n은 훈련 샘플 중의 문자 개수를 나타낸다. 예를 들면, 훈련 샘플에 6761개의 글자가 있으면, n은 6760과 같을 수 있다.

상술한 제1 타겟 도메인 생성 글자에 대하여, 표준 문자 벡터

=[

]가 미리 설정되어 있으며, 여기서, 벡터

중의 각 요소는 훈련 샘플 중의 하나의 문자를 나타낼 수 있고 , n은 훈련 샘플 중의 문자 개수를 나타낸다. 예를 들면, 훈련 샘플에 6761개의 글자가 있으면, n은 6760과 같을 수 있다.

표준 문자 벡터

는 제1 타겟 도메인 생성 글자(302)를 상술한 문자 분류 모델(320)에 입력하면, 상술한 문자 분류 모델(320)이 출력해야 하는 벡터를 나타낸다. 예를 들면, 제1 타켓 도메인 생성 글자(320)는 "做”자이고, "做”자가 훈련 샘플 중의 n개 글자에서 첫 번째에 위치할 경우, "做”자의 표준 문자 백터는

=[

]로 표현될 수 있다.

제1 타겟 도메인 생성 글자(302)의 생성 문자 벡터

와 표준 문자 벡터

사이의 크로스 엔트로피에 따라 오자 손실(3201)을 결정할 수 있다. 오자 손실(3201)은 다음 식(6)으로 표현될 수 있다.

L_C=-

（6）

여기서, L_C는 오자 손실(3201)을 나타내고,

는 생성 문자 벡터에서 i가 첨자된 요소를 나타내고,

는 표준 문자 벡터에서 i가 첨자된 요소를 나타내고, i 는 0보다 크거나 같고 n보다 작거나 같은 정수이고, n은 생성 문자 벡터와 표준 문자 벡터 중의 요소 개수를 나타낸다.

본 개시의 실시예에 따르면, 오자 손실(3201)은 순환 생성 네트워크 모델(310)이 출력하는 제1 타켓 도메인 생성 글자(302)의 오자율을 제약하기 위해 사용되어 순환 생성 네트워크 모델(310)이 오자를 생성할 확률을 감소할 수 있다.

문자 분류 모델(320)은 복수의 특징 레이어(예를 들면, 90개의 특징 레이어)를 포함할 수 있고, 제1 타겟 도메인 생성 글자(302)를 순환 생성 네트워크 모델(310)에 입력하면, 각 레이어에서 출력되는 생성 특징 맵을 획득할 수 있다. 타겟 도메인 샘플 글자(304)를 순환 생성 네트워크 모델(310)에 입력하면, 각 레이어에서 출력되는 샘플 특징 맵을 획득할 수 있다.

각 특징 레이어가 출력하는 생성 특징 맵과 샘플 특징 맵 사이의 픽셀 차이에 대해, 해당 레이어의 픽셀 손실을 결정할 수 있다. 예를 들면, 각 특징 레이어에서, 해당 특징 레이어가 출력하는 생성 특징 맵과 샘플 특징 맵의 두 이미지에 대하여, 이들의 각 대응하는 픽셀 포인트의 픽셀 값의 차이를 구하고, 절대값을 계산하여 각 픽셀 포인트의 차이를 획득하고, 모든 픽셀 포인트의 차이를 합하여 해당 특징 레이어의 픽셀 손실을 획득한다.

복수의 특징 레이어 중의 적어도 하나의 미리 설정된 레이어(예를 들면 45번째 레이어와 46번째 레이어)의 픽셀 손실의 합을 특징 손실(3202)로 선택할 수 있다.

상술한 특징 손실(3202)은 제1 생성 모델(311)의 파라미터를 조정하기 위해 사용하여, 순환 생성 네트워크 모델(310)로 하여금 제1 타켓 도메인 생성 글자(302)와 타켓 도메인 샘플 글자 (304) 사이의 차이가 비교적 큰 특징을 학습함으로써, 순환 생성 네트워크 모델(310)로 하여금 더 많은 글자체 세부를 학습하여 순환 생성 네트워크 모델의 글자체 특징을 학습하는 능력을 향상하도록 할 수 있다.

도 4a 내지 도 4b는 본 개시의 일 실시예에 따른 특징 손실의 시각화 효과도이다.

도 4a에 도시된 바와 같이, 타켓 도메인 샘플 글자(401)는 실제적인 손글씨“神(신)"을 포함하는 이미지이며, 즉 타켓 도메인 샘플 글자(401) 중의 “神"자는 사용자의 실제 손글씨이다. 제1 타겟 도메인 생성 글자(402)는 순환 생성 네트워크 모델이 생성한 손글씨“神"을 포함하는 이미지이며, 타겟 도메인 샘플 글자(401) 및 제1 타겟 도메인 생성 글자(402)의 크기는 모두 256*256이다. 타켓 도메인 샘플 글자(401) 및 제1 타켓 도메인 생성 글자(402)를 문자 분류 모델에 입력하면, 문자 분류 모델의 제1 기설정 레이어에서 각각 샘플 특징 맵과 생성 특징 맵을 출력한다. 샘플 특징 맵과 생성 특징 맵의 크기는 전부 64*64이고, 이 2개의 64*64의 이미지에 대해 픽셀 차이 계산을 진행한 후, 이 2개의 이미지 사이의 차이를 나타내는 열 효과도(403)를 획득한다. 열 효과도(403)도 64*64인 이미지이며, 열 효과도(403)에서 색깔이 짙은 곳일 수록 타켓 도메인 샘플 글자(401)와 제1 타켓 도메인 생성 글자(402) 사이의 차이가 크다는 것을 나타낸다. 순환 생성 네트워크 모델로 하여금 열 효과도(403) 중의 색깔이 짙은 부위의 특징을 더욱 집중하여 학습하게 하여, 순환 생성 네트워크 모델의 특징을 학습하는 능력을 향상시키도록 할 수 있다.

유사하게, 도 4b에 도시된 바와 같이, 타켓 도메인 샘플 글자(401) 및 제1 타켓 도메인 생성 글자(402)를 문자 분류 모델에 입력하면, 문자 분류 모델의 제2 기설정 레이어가 각각 샘플 특징 맵과 생성 특징 맵을 출력한다. 샘플 특징 맵과 생성 특징 맵의 크기는 전부 32*32이고, 이 2개의 32*32의 이미지에 대해 픽셀 차이 계산을 진행한 후, 이 2개의 이미지 사이의 차이를 나타내는 열 효과도(404)를 획득한다. 열 효과도(404)도 32*32인 이미지이며, 열 효과도(404)에서 색깔이 짙은 곳일 수록 타켓 도메인 샘플 글자(401)와 제1 타켓 도메인 생성 글자(402) 사이의 차이가 크다는 것을 나타댄다. 순환 생성 네트워크 모델로 하여금 열 효과도(404) 중의 색깔이 짙은 부위의 특징을 더욱 집중하여 학습하게 하여, 순환 생성 네트워크 모델의 특징을 학습하는 능력을 향상시키도록 할 수 있다.

이해할 수 있는 것은, 열 효과도(403)와 열 효과도(404)를 결합하여 공동적으로 순환 생성 네트워크 모델로 하여금 목표 도메인 샘플 글자(401)와 제1 타켓 도메인 생성 글자(402) 사이의 차이가 비교적 큰 특징을 학습하게 하여, 순환 생성 네트워크 모델의 특징을 학습하는 능력을 향상시키도록 할 수 있다.

도 5는 본 개시의 일 실시예에 따른 특징 손실을 이용한 효과 비교도이다.

도 5에 도시된 바와 같이, 이미지(501)는 손글씨

을 포함하는 실제 이미지이며, 즉 이미지(501) 중의

자는 사용자의 실제 손글씨이다. 이미지(502)는 특징 손실을 사용하여 순환 생성 네트워크 모델을 제약하지 않고 생성한 필기체

을 포함하는 이미지이다. 이미지(503)는 특징 손실을 사용하여 순환 생성 네트워크 모델을 제약하여 생성한 필기체

자와 비교하면, 이미지(503)의

자는 실제 사용자가 손으로 쓴

자(즉, 이미지(501) 중의

자)의 더욱 많은 특징을 학습하였기 때문에, 사용자가 손으로 쓴

자와 더욱 유사하다.

도 6은 본 개시의 일 실시예에 따른 오자 손실을 이용한 효과 비교도이다.

도 6에 도시된 바와 같이, 이미지(601)는 오자 손실을 사용하여 순환 생성 네트워크 모델을 제약하지 않고 생성한 필기체

을 포함하는 이미지이다. 이미지(602)는 오자 손실을 사용하여 순환 생성 네트워크 모델을 제약하여 생성한 필기체

을 포함하는 이미지이다. 이미지(601) 중의

는 정확한

자보다 점 하나가 적은 한편, 이미지(602) 중의

자는 정확한

자이다.

따라서 오자 손실를 사용하여 순환 생성 네트워크 모델을 제약하면 정확한 글자를 학습할 수 있고 오자율을 줄일 수 있다.

도 7은 본 개시의 일 실시예에 따른 순환 생성 네트워크 모델을 이용하여 소스 도메인의 샘플 글자를 기반으로 타겟 도메인 생성 글자를 생성하는 효과도이다.

도 7에 도시된 바와 같이, 이미지(701) 중의 글자는 사용자가 실제로 손으로 쓴 글자이고, 이미지(702) 중의 글자는 순환 생성 네트워크 모델이 생성한 글자이며, 이미지(702) 중의 글자는 사용자가 실제로 손으로 쓴 글자의 글자체 스타일을 가지고 있다.

본 개시의 실시예는 순환 생성 네트워크 모델을 이용하여 소스 도메인 샘플 글자에 기반하여 타켓 도메인 생성 글자를 생성함으로써, 다양한 스타일의 글자체 생성을 구현할 수 있으며, 또한 문자 분류 모델을 이용하여 오자 손실 및 특징 손실을 도입함으로써, 순환 생성 네트워크 모델의 글자체 특징을 학습하는 능력을 향상시키고, 오자 생성의 확률을 감소할 수 있다.

도 8은 본 개시의 일 실시예에 따른 글자 라이브러리의 구축 방법의 흐름도이다.

도 8에 도시된 바와 같이, 글자 라이브러리의 구축 방법(800)은 동작 S810 내지 S820을 포함한다.

동작 S810에서, 소스 도메인 입력 글자를 순환 생성 네트워크 모델에 입력하여 타겟 도메인 새 글자를 획득한다.

순환 생성 네트워크 모델은 순환 생성 네트워크 모델의 훈련 방법에 따라 훈련하여 획득한 것이다.

예를 들면, 소스 도메인 입력 글자는 해서체 이미지이고, 새 글자는 필기체 이미지일 경우, 해서체 이미지를 순환 생성 네트워크 모델에 입력하면 필기체 이미지를 획득할 수 있다.

동작 S820에서, 타켓 도메인 새 글자에 기반하여 글자 라이브러리를 구축한다.

예를 들면, 순환 생성 네트워크 모델이 생성한 새 글자를 저장하고, 필기체 글자체 스타일이 있는 글자 라이브러리를 구축하여 획득하며, 해당 글자 라이브러리는 입력법기 앱에 적용될 수 있다. 사용자는 해당 글자 라이브러리에 기반한 입력기 앱을 이용하여 필기체 스타일의 글자를 직접 획득할 수 있으며, 사용자의 다양한 수요를 만족시키고 사용자 체험을 향상시킬 수 있다.

도 9는 본 개시의 일 실시예에 따른 순환 생성 네트워크 모델의 훈련 장치의 블록도이다.

도 9에 도시된 바와 같이, 해당 순환 생성 네트워크 모델의 훈련 장치(900)는 제1 생성 모듈(901), 제1 계산 모듈(902), 제2 계산 모듈(903) 및 제1 조정 모듈(904)을 포함할 수 있다.

제1 생성 모듈(901)은 소스 도메인 샘플 글자를 순환 생성 네트워크 모델에 입력하여 제1 타겟 도메인 생성 글자를 획득하기 위한 것이다.

제1 계산 모듈(902)은 제1 타겟 도메인 생성 글자를 훈련된 문자 분류 모델에 입력함으로써, 순환 생성 네트워크 모델의 오자 손실을 계산하기 위한 것이다.

제2 계산 모듈(903)은 제1 타겟 도메인 생성 글자와 미리 설정된 타켓 도메인 샘플 글자를 문자 분류 모델에 입력함으로써, 순환 생성 네트워크 모델의 특징 손실을 계산하기 위한 것이다.

제1 조정 모듈(904)은 오자 손실 및 특징 손실에 따라 순환 생성 네트워크 모델의 파라미터를 조정하기 위한 것이다.

본 개시의 실시예에 따르면, 제1 계산 모듈(902)은 문자 벡터 생성 유닛 및 오자 손실 계산 유닛을 포함한다.

문자 벡터 생성 유닛은 제1 타겟 도메인 생성 글자를 훈련된 문자 분류 모델에 입력하여 제1 타겟 도메인 생성 글자의 생성 문자 백터를 획득하기 위한 것이다.

오자 손실 계산 유닛은 생성 문자 벡터와 미리 설정된 표준 문자 벡터 사이의 차이에 따라 오자 손실을 계산하기 위한 것이다.

본 개시의 실시예에 따르면, 오자 손실 계산 유닛은 다음 수식에 따라 오자 손실 L_C를 계산하기 위한 것이다.

여기서, L_C는 오자 손실을 나타내고,

는 생성 문자 벡터에서 i가 첨자된 요소를 나타내고,

는 표준 문자 벡터에서 i가 첨자된 요소를 나타내고, i는 0보다 크거나 같고 n보다 작거나 같은 정수이고, n은 생성 문자 벡터와 표준 문자 벡터 중의 요소 개수를 나타낸다.

본 개시의 실시예에 따르면, 문자 분류 모델은 복수의 특징 레이어를 포함하고, 제2 계산 모듈(903)은 제1 특징 맵 생성 유닛, 제2 특징 맵 생성 유닛 및 특징 손실 계산 유닛을 포함한다.

제1 특징 맵 생성 유닛은 제1 타겟 도메인 생성 글자를 문자 분류 모델에 입력하여, 문자 분류 모델의 각 특징 레이어가 출력하는 생성 특징 맵을 획득하기 위한 것이다.

제2 특징 맵 생성 유닛은 타겟 도메인 샘플 글자를 문자 분류 모델에 입력하여, 문자 분류 모델의 각 특징 레이어가 출력하는 샘플 특징 맵을 획득하기 위한 것이다.

특징 손실 계산 유닛은 적어도 하나의 특징 레이어의 생성 특징 맵과 샘플 특징 맵 사이의 차이에 따라 특징 손실을 계산하기 위한 것이다.

본 개시의 실시예에 따르면, 특징 손실 계산 유닛은 픽셀 손실 계산 서브 유닛 및 특징 손실 계산 서브 유닛을 포함한다.

픽셀 손실 계산 서브 유닛은 적어도 하나의 특징 레이어 중의 각 레이어에 대하여, 해당 특징 레이어의 생성 특징 맵과 샘플 특징 맵 사이의 픽셀 차이를 계산하여 해당 특징 레이어의 픽셀 손실을 획득하기 위한 것이다.

특징 손실 계산 서브 유닛은 적어도 하나의 특징 레이어의 픽셀 손실에 따라 특징 손실을 계산하기 위한 것이다.

본 개시의 실시예에 따르면, 픽셀 손실 계산 서브 유닛은 생성 특징 맵 중의 각 위치의 픽셀 포인트에 대하여, 해당 픽셀 포인트의 픽셀 값과 샘플 특징 맵 중의 대응 위치의 픽셀 포인트의 픽셀 값 사이의 차이값의 절대값을 계산하여 각 위치에 대한 픽셀 포인트의 차이를 획득하며, 복수의 위치의 픽셀 포인트에 대한 차이에 따라 생성 특징 맵과 샘플 특징 맵 사이의 픽셀 차이를 결정하기 위한 것이다.

본 개시의 실시예에 따르면, 순환 생성 네트워크 모델은 제1 생성 모델 및 제2 생성 모델을 포함하며, 제1 생성 모듈은 소스 도메인 샘플 글자를 제1 생성 모델에 입력하여 제1 타겟 도메인 생성 글자와 제1 소스 도메인 생성 글자를 획득하기 위한 것이다. 해당 장치는, 타켓 도메인 샘플 글자를 제2 생성 모델에 입력하여 제2 타켓 도메인 생성 글자 및 제2 소스 도메인 생성 글자를 획득하기 위한 제2 생성 모듈; 소스 도메인 샘플 글자, 제1 타켓 도메인 생성 글자, 제1 소스 도메인 생성 글자, 타켓 도메인 샘플 글자, 제2 타겟 도메인 생성 글자 및 제2 소스 도메인 생성 글자에 따라, 순환 생성 네트워크 모델의 생성 손실을 계산하기 위한 제3 계산 유닛; 및 생성 손실에 따라 제1 생성 모델의 파라미터를 조정하기 위한 제2 조정 모듈을 더 포함한다.

본 개시의 실시예에 따르면, 제1 조정 모듈은 오자 손실 및 특징 손실에 따라 제1 생성 모델의 파라미터를 조정하기 위한 것이다.

본 개시의 실시예에 따르면, 소스 도메인 샘플 글자는 소스 도메인 글자체 스타일의 이미지이고, 타겟 도메인 샘플 글자는 타겟 도메인 글자체 스타일의 이미지이다.

도 10은 본 개시의 일 실시예에 따른 글자 라이브러리의 구축 장치의 블록도이다.

도 10에 도시된 바와 같이, 해당 글자 라이브러리의 구축 장치(1000)는 제3 생성 모듈 및 글자 라이브러리 구축 모듈을 포함할 수 있다.

제3 생성 모듈은 소스 도메인 입력 글자를 순환 생성 네트워크 모델에 입력하여 타겟 도메인 새 글자를 획득하기 위한 것이다.

글자 라이브러리 구축 모듈은 타켓 도메인 새 글자에 기반하여 글자 라이브러리를 구축하기 위한 것이다.

순환 생성 네트워크 모델은 상기 순환 생성 네트워크 모델의 훈련 장치에 의해 훈련한 것이다.

본 개시의 실시예에 따르면, 본 개시는 또한 전자 기기, 판독 가능 저장 매체와 컴퓨터 프로그램 제품을 제공한다.

도 11은 본 개시의 실시예를 실시하기 의해 사용될 수 있는 예시적인 전자 기기 (1100)의 개략적인 블록도이다. 전자 기기는 랩톱 컴퓨터, 데스크톱 컴퓨터, 웍스테이션, 개인 휴대 정보 단말기, 서버, 블레이드 서버, 메인프레임 컴퓨터 및 기타 적합한 컴퓨터와 같은 다양한 형태의 디지털 컴퓨터를 말한다. 전자기기는 개인용 디지털 처리, 이동전화, 스마트 폰, 웨어러블 디바이스 및 기타 유사한 컴퓨팅 장치와 같은 다양한 형태의 모바일 장치를 말할 수도 있다. 본 명세서에서 나타낸 부품, 이들의 연결 및 관계, 및 이들의 기능은 단지 예시일 뿐이며, 본 명세서에서의 설명 및/또는 요구하는 본 출원의 구현을 한정하려 하는 것이 아니다.

도 11에 도시된 바와 같이, 장치(1100)는 읽기 전용 기억 장치(ROM)(1102)에 저장된 컴퓨터 프로그램 또는 저장 유닛(1108)에서 랜덤 액세스 메모리(RAM)(1103) 로 로드된 컴퓨터 프로그램에 따라 다양한 적절한 동작 및 처리를 실행할 수 있는 컴퓨팅 유닛(1101)을 포함한다. RAM(1103)에는 기기(1100)의 동작에 필요한 다양한 프로그램 및 데이터가 저장될 수 있다. 컴퓨팅 유닛(1101), ROM(1102) 및 RAM(1103)은 버스(1104)를 통해 서로 연결된다. 입력/출력(I/O)인터페이스(1105)도 버스(1104)에 연결된다.

기기(1100) 중의 복수의 부품은 I/O인터페이스(1105)와 연결되며, 예를 들면 키보드, 마우스 등과 같은 입력 유닛(1106); 예를 들면 다양한 유형의 디스플레이, 스피커 등과 같은 출력 유닛(1107); 예를 들면 자기 디스크, 시디롬 등과 같은 저장 유닛(1108) 및 예를 들면 랜 카드, 모뎀, 무선 통신 송수신기 등과 같은 통신 유닛(1109)을 포함한다. 통신 유닛(1109)은 기기(1100)가 인터넷과 같은 컴퓨터 네트워크 및/또는 다양한 통신 네트워크와 기타 장치를 통하여 정보/데이터를 교환할 수 있도록 허용한다.

컴퓨팅 유닛(1101)은 처리 및 컴퓨팅 능력을 갖는 다양한 범용 및/또는 전용 처리 유닛일수 있다. 컴퓨팅 유닛(1101)의 일부 예시는 중앙 처리 유닛(CPU), 그래픽 처리 유닛(GPU), 다양한 전용 인공 지능(AI) 컴퓨팅 칩, 머신 러닝 모델 알고리즘을 실행하는 다양한 컴퓨팅 유닛, 디지털 신호 처리 장치(DSP) 및 임의의 적절한 프로세서, 컨트롤러, 마이크로 컨트롤러 등를 포함하지만 이에 한정되지 않는다. 컴퓨팅 유닛 (1101)은 예를 들면 순환 생성 네트워크 모델의 훈련 방법 및/또는 글자 라이브러리의 구축 방법과 같은 상술한 다양한 방법과 처리를 실행한다. 예를 들면, 일부 실시 예에서는 순환 생성 네트워크 모델의 훈련 방법 및/또는 글자 라이브러리의 구축 방법은 컴퓨터 소프트웨어 프로그램으로 구현될 수 있으며, 이는 예를 들면 유형적으로 저장 유닛(1108)과 같은 기계 판독 가능 매체에 포함된다. 일부 실시예에서, 컴퓨터 프로그램의 일부 또는 전부는 ROM(1102) 및/또는 통신 유닛(1109)을 통해 기기(1100)에 로드 및/또는 설치될 수 있다. 컴퓨터 프로그램이 RAM (1103)에 로딩되고 계산 유닛 (1101)에 의해 실행될 경우, 상술한 순환 생성 네트워크 모델의 훈련 방법 및/또는 글자 라이브러리의 구축 방법 중의 하나 혹은 여러 스텝을 실행할 수 있다. 대체적으로, 다른 실시 예에서, 컴퓨팅 유닛(1101)은 기타 임의의 적절한 방식(예를 들면, 펌웨어에 의해)으로 순환 생성 네트워크 모델의 훈련 방법 및/또는 글자 라이브러리의 구축 방법을 실행하도록 구성될 수 있다.

본 명세서에서 설명한 시스템 및 기술의 다양한 구현방식은 디지털 전자 회로 시스템, 집적 회로 시스템, 필드 프로그램 가능 게이트 어레이 (FPGA), 전용 집적 회로 (ASIC), 특정 용도 표준 제품(ASSP), 시스템에서 구현 될 수 있습니다. 시스템 온칩(SOC), 복합 프로그램 가능 논리 소자(CPLD), 컴퓨터 하드웨어, 펌웨어, 소프트웨어 및/또는 이들의 조합에서 구현할 수 있다. 이러한 다양한 실시방식은 아래와 같은 것을 포함할 수 있다. 하나 또는 복수의 컴퓨터 프로그램에서 실시될 수 있으며, 해당 하나 또는 복수의 컴퓨터 프로그램은 적어도 하나의 프로그램 가능 프로세서를 포함하는 프로그램 가능 시스템에서 실행 및/또는 해석될 수 있으며, 프로그램 가능 프로세서는 전용 또는 범용 프로그램 가능 프로세서일 수 있으며, 저장 시스템, 적어도 하나의 입력 장치 및 적어도 하나의 출력 장치로부터 데이터 및 명령어를 수신하고, 데이터 및 명령어를 해당 저장 시스템, 적어도 하나의 입력 장치 및 적어도 하나의 출력 장치에 전송할 수 있다.

본 개시의 방법을 실행하기 위한 프로그램 코드는 하나 또는 복수의 프로그래밍 언어의 임의의 조합으로 작성될 수 있다. 이러한 프로그램 코드는 범용 컴퓨터, 전용 컴퓨터 또는 기타 프로그램 가능 데이터 처리 장치의 프로세서 또는 컨트롤러에 제공하여, 프로그램 코드가 프로세서 또는 컨트롤러에 의해 실행될 때 흐름도 및/또는 블록도에서 규정한 기능/동작이 실시되도록 할 수 있다. 프로그램 코드는 완전히 기계에서 실행되거나, 부분적으로 기계에서 실행되거나, 독립적인 소프트웨어 패키지로서 부분적으로 기계에서 실행되면서 부분적으로 원격 기계에서 실행되거나, 완전히 원격 기계 또는 서버에서 실행될 수 있다.

본 개시 내용의 맥락에서, 기계 판독 가능 매체는 유형적인 매체일 수 있으며, 명령어 실행 시스템, 장치 또는 기기에 의해 사용되거나 명령어 실행 시스템, 장치 또는 설비와 결합하여 사용되도록 제공하는 프로그램을 포함하거나 저장할 수 있다. 기계 판독 가능 매체는 기계 판독 가능 신호 매체 또는 기계 판독 가능 저장 매체일 수 있다. 기계 판독 가능 매체는 전자, 자기, 광학, 전자기, 적외선 또는 반도체 시스템, 장치 또는 기기, 또는 이들의 임의의 적절한 조합을 포함할 수 있지만 이에 한정되지 않는다. 기계 판독 가능 저장 매체의 보다 구체적인 예에는 하나 또는 복수의 전선에 기반한 전기연결, 휴대용 컴퓨터 디스크, 하드 디스크, 랜덤 기억 장치 (RAM), 읽기 전용 기억 장치 (ROM), 소거 가능 프로그램 가능 읽기 전용 기억 장치 (EPROM 또는 플래시 메모리), 광섬유, 휴대용 컴팩트 디스크 읽기 전용 기억 장치 (CD-ROM), 광학 저장 장치, 자기 저장 장치 또는 이들의 임의의 적절한 조합을 포함할 수 있다.

사용자와의 인터랙션을 제공하기 위하여, 여기에 설명된 시스템 및 기술을 컴퓨터에서 실시할 수 있다. 이 컴퓨터는 사용자에게 정보를 표시하는 디스플레이 장치(예: CRT(음극선관) 또는 LCD(액정 디스플레이) 모니터) 및 사용자가 컴퓨터에 입력을 제공할 수 있는 키보드 및 위치 결정 장치(예를 들면, 마우스 또는 트랙볼)를 구비한다. 다른 유형의 장치도 사용자와의 인터랙션을 제공하기 위해 사용될 수 있다. 예를 들면, 사용자에게 제공되는 피드백은 모든 형태의 감지 피드백(예를 들면, 시각 피드백, 청각 피드백 또는 촉각 피드백) 일 수 있고, 임의의 형태(소리 입력, 음성 입력 또는 촉각 입력을 포함)를 이용하여 사용자로부터의 입력을 접수할 수 있다.

여기에서 설명된 시스템 및 기술을 백그라운드 부품을 포함하는 컴퓨팅 시스템(예를 들면, 데이터 서버로 함) 또는 미들웨어 부품을 포함하는 컴퓨팅 시스템(예를 들면, 애플리케이션 서버) 또는 프론트 엔드 부품을 포함하는 컴퓨팅 시스템(예를 들면, 그래픽 유저 인터페이스 또는 웹 브라우저를 가지고 있는 사용자 컴퓨터이며, 사용자가 상기 그래픽 유저 인터페이스 또는 웹 브라우저를 통하여 여기에 설명된 시스템 및 기술의 실시 형태과 인터랙션할 수 있다) 또는 이러한 백그라운드 부품, 미들웨어 부품, 또는 프런트 엔드 부품의 모든 조합을 포함하는 컴퓨팅 시스템에서 실시할 수 있다. 임의의 형식 또는 매체의 디지털 데이터 통신(예를 들면, 통신 네트워크)을 통해 시스템의 부품을 서로 연결할 수 있다. 통신 네트워크의 예로는 근거리 통신망(LAN), 광역 통신망(WAN) 및 인터넷을 포함한다. 통신 네트워크의 예시는 근거리 통신망(LAN), 광역 통신망(WAN) 및 인터넷을 포함한다.

컴퓨터 시스템은 클라이언트와 서버를 포함할 수 있다. 클라이언트와 서버는 일반적으로 서로 멀리 떨어져있으며, 일반적으로 통신 네트워크를 통해 인터랙션한다. 클라이언트와 서버간의 관계는 해당 컴퓨터에서 실행되고 서로 클라이언트-서버 관계를 갖는 컴퓨터 프로그램에 의해 생성된다. 서버는 클라우드 서버일 수 있거나, 분산형 시스템 서버일 수도 있거나, 블록체인을 결합한 서버일 수도 있다.

위에 나타낸 다양한 형태의 흐름을 사용하여 동작을 다시 순서 배열, 추가 또는 삭제할 수 있음을 이해해야 한다. 예를 들면, 본 출원에 기재된 각 스텝은 본 출원에서 공개하는 기술방안이 기대하는 결과만 구현할 수 있으면, 병행하여 실행하거나 순차적으로 실행하거나 부동한 순서로 실행할 수도 있으며, 본 명세서에서는 여기에 대해서 제한을 하지 않는다.

상술한 구체적인 실시방식은 본 출원의 청구범위에 대한 제한을 구성하지 않는다. 해당 발명이 속하는 기술 분야에서 통상의 지식을 가진 자라면 설계요구 및 기타 요소에 따라 다양한 수정, 조합, 서브 조합 및 대체를 진행할 수 있음을 이해해야 한다. 본 출원의 정신과 원칙내에서 이루어진 모든 수정, 동등한 교체 및 개선 등은 본 출원의 청구범위내에 포함되어야 한다.

Claims

소스 도메인 샘플 글자를 순환 생성 네트워크 모델에 입력하여 제1 타겟 도메인 생성 글자를 획득하는 것;
제1 타겟 도메인 생성 글자를 훈련된 문자 분류 모델에 입력함으로써, 상기 순환 생성 네트워크 모델의 오자 손실을 계산하는 것;
제1 타겟 도메인 생성 글자와 미리 설정된 타켓 도메인 샘플 글자를 상기 문자 분류 모델에 입력함으로써, 상기 순환 생성 네트워크 모델의 특징 손실을 계산하는 것; 및
상기 오자 손실 및 특징 손실에 따라 상기 순환 생성 네트워크 모델의 파라미터를 조정하는 것을 포함하는 순환 생성 네트워크 모델의 훈련 방법.
청구항 1에 있어서,
제1 타겟 도메인 생성 글자를 훈련된 문자 분류 모델에 입력함으로써, 상기 순환 생성 네트워크 모델의 오자 손실을 계산하는 것은,
상기 제1 타겟 도메인 생성 글자를 훈련된 문자 분류 모델에 입력하여, 상기 제1 타겟 도메인 생성 글자의 생성 문자 백터를 획득하는 것; 및
상기 생성 문자 벡터와 미리 설정된 표준 문자 벡터 사이의 차이에 따라 상기 오자 손실을 계산하는 것을 포함하는 순환 생성 네트워크 모델의 훈련 방법.
청구항 2에 있어서,
상기 오자 손실을 계산하는 것은,
다음 수식에 따라 상기 오자 손실 L_C를 계산하는 것을 포함하며,

여기서, L_C는 오자 손실을 나타내고,
는 생성 문자 벡터를 나타내고,
는 표준 문자 벡터를 나타내고, i는 0보다 크거나 같고 n보다 작거나 같은 정수이고, n은 상기 생성 문자 벡터와 상기 표준 문자 벡터 중의 요소 개수를 나타내는 순환 생성 네트워크 모델의 훈련 방법.
청구항 1에 있어서,
상기 문자 분류 모델은 복수의 특징 레이어를 포함하며, 상기 제1 타겟 도메인 생성 글자와 미리 설정된 타켓 도메인 샘플 글자를 상기 문자 분류 모델에 입력함으로써, 상기 순환 생성 네트워크 모델의 특징 손실을 계산하는 것은,
상기 제1 타겟 도메인 생성 글자를 상기 문자 분류 모델에 입력하여 상기 문자 분류 모델의 각 특징 레이어가 출력하는 생성 특징 맵을 획득하는 것;
상기 타겟 도메인 샘플 글자를 상기 문자 분류 모델에 입력하여 상기 문자 분류 모델의 각 특징 레이어가 출력하는 샘플 특징 맵을 획득하는 것; 및
적어도 하나의 특징 레이어의 생성 특징 맵과 샘플 특징 맵 사이의 차이에 따라 상기 특징 손실을 계산하는 것을 포함하는 순환 생성 네트워크 모델의 훈련 방법.
청구항 4에 있어서,
상기 특징 손실을 계산하는 것은,
상기 적어도 하나의 특징 레이어 중의 각 레이어에 대하여, 해당 특징 레이어의 생성 특징 맵과 샘플 특징 맵 사이의 픽셀 차이를 계산하여 해당 특징 레이어의 픽셀 손실을 획득하는 것; 및
상기 적어도 하나의 특징 레이어의 픽셀 손실에 따라 상기 특징 손실을 계산하는 것을 포함하는 순환 생성 네트워크 모델의 훈련 방법.
청구항 5에 있어서,
해당 특징 레이어의 생성 특징 맵과 샘플 특징 맵 사이의 픽셀 차이를 계산하는 것은,
상기 생성 특징 맵 중의 각 위치의 픽셀 포인트에 대하여, 해당 픽셀 포인트의 픽셀 값과 상기 샘플 특징 맵 중의 대응 위치의 픽셀 포인트의 픽셀 값 사이의 차이값의 절대값을 계산하여 각 위치에 대한 픽셀 포인트의 차이를 획득하는 것; 및
복수의 위치의 픽셀 포인트에 대한 차이에 따라 상기 생성 특징 맵과 샘플 특징 맵 사이의 픽셀 차이를 결정하는 것을 포함하는 순환 생성 네트워크 모델의 훈련 방법.
청구항 1에 있어서,
상기 순환 생성 네트워크 모델은 제1 생성 모델 및 제2 생성 모델을 포함하며,
소스 도메인 샘플 글자를 상기 순환 생성 네트워크 모델에 입력하여 제1 타겟 도메인 생성 글자를 획득하는 것은,
소스 도메인 샘플 글자를 상기 제1 생성 모델에 입력하여 상기 제1 타겟 도메인 생성 글자와 제1 소스 도메인 생성 글자를 획득하는 것을 포함하며,
상기 훈련 방법은,
타켓 도메인 샘플 글자를 상기 제2 생성 모델에 입력하여 제2 타켓 도메인 생성 글자와 제2 소스 도메인 생성 글자를 획득하는 것;
상기 소스 도메인 샘플 글자, 제1 타켓 도메인 생성 글자, 제1 소스 도메인 생성 글자, 타켓 도메인 샘플 글자, 제2 타겟 도메인 생성 글자 및 제2 소스 도메인 생성 글자에 따라, 상기 순환 생성 네트워크 모델의 생성 손실을 계산하는 것:및
상기 생성 손실에 따라 상기 제1 생성 모델의 파라미터를 조정하는 것을 더 포함하는 순환 생성 네트워크 모델의 훈련 방법.
청구항 7에 있어서,
오자 손실 및 특징 손실에 따라 상기 순환 생성 네트워크 모델의 파라미터를 조정하는 것은,
상기 오자 손실 및 특징 손실에 따라 상기 제1 생성 모델의 파라미터를 조정하는 것을 포함하는 순환 생성 네트워크 모델의 훈련 방법.
청구항 1 내지 청구항 8 중 어느 한 항에 있어서,
상기 소스 도메인 샘플 글자는 소스 도메인 글자체 스타일을 가지는 이미지이고,
상기 타겟 도메인 샘플 글자는 타겟 도메인 글자체 스타일을 가지는 이미지인 것인 순환 생성 네트워크 모델의 훈련 방법.
소스 도메인 입력 글자를 청구항 1 내지 8 중 어느 한 항의 방법에 의해 훈련하여 획득한 순환 생성 네트워크 모델에 입력하여 타겟 도메인 새 글자를 획득하는 것; 및
상기 타켓 도메인 새 글자에 기반하여 글자 라이브러리를 구축하는 것을 포함하는 글자 라이브러리의 구축 방법.
소스 도메인 샘플 글자를 순환 생성 네트워크 모델에 입력하여 제1 타겟 도메인 생성 글자를 획득하기 위한 제1 생성 모듈;
제1 타겟 도메인 생성 글자를 훈련된 문자 분류 모델에 입력함으로써, 상기 순환 생성 네트워크 모델의 오자 손실을 계산하기 위한 제1 계산 모듈;
제1 타겟 도메인 생성 글자와 미리 설정된 타켓 도메인 샘플 글자를 상기 문자 분류 모델에 입력함으로써, 상기 순환 생성 네트워크 모델의 특징 손실을 계산하기 위한 제2 계산 모듈; 및
상기 오자 손실 및 특징 손실에 따라 상기 순환 생성 네트워크 모델의 파라미터를 조정하기 위한 제1 조정 모듈을 포함하는 순환 생성 네트워크 모델의 훈련 장치.
청구항 11에 있어서,
상기 제1 계산 모듈은,
상기 제1 타겟 도메인 생성 글자를 훈련된 문자 분류 모델에 입력하여, 상기 제1 타겟 도메인 생성 글자의 생성 문자 백터를 획득하기 위한 문자 벡터 생성 유닛; 및
상기 생성 문자 벡터와 미리 설정된 표준 문자 벡터 사이의 차이에 따라 상기 오자 손실을 계산하기 위한 오자 손실 계산 유닛을 포함하는 순환 생성 네트워크 모델의 훈련 장치.
청구항 12에 있어서,
상기 오자 손실 계산 유닛은 다음 수식에 따라 오자 손실 L_C를 계산하기 위한 것이며,

여기서, L_C는 오자 손실을 나타내고,
는 생성 문자 벡터를 나타내고,
는 표준 문자 벡터를 나타내고, i는 0보다 크거나 같고 n보다 작거나 같은 정수이고, n은 상기 생성 문자 벡터와 상기 표준 문자 벡터 중의 요소 개수를 나타내는 순환 생성 네트워크 모델의 훈련 장치.
청구항 11에 있어서,
상기 문자 분류 모델은 복수의 특징 레이어를 포함하며, 상기 제2 계산 모듈은,
상기 제1 타겟 도메인 생성 글자를 상기 문자 분류 모델에 입력하여 상기 문자 분류 모델의 각 특징 레이어가 출력하는 생성 특징 맵을 획득하기 위한 제1 특징 맵 생성 유닛;
상기 타겟 도메인 샘플 글자를 상기 문자 분류 모델에 입력하여 상기 문자 분류 모델의 각 특징 레이어가 출력하는 샘플 특징 맵을 획득하기 위한 제2 특징 맵 생성 유닛; 및
적어도 하나의 특징 레이어의 생성 특징 맵과 샘플 특징 맵 사이의 차이에 따라 상기 특징 손실을 계산하기 위한 특징 손실 계산 유닛을 포함하는 순환 생성 네트워크 모델의 훈련 장치.
청구항 14에 있어서,
상기 특징 손실 계산 유닛은,
상기 적어도 하나의 특징 레이어 중의 각 레이어에 대하여, 해당 특징 레이어의 생성 특징 맵과 샘플 특징 맵 사이의 픽셀 차이를 계산하여 해당 특징 레이어의 픽셀 손실을 획득하기 위한 픽셀 손실 계산 서브 유닛; 및
상기 적어도 하나의 특징 레이어의 픽셀 손실에 따라 상기 특징 손실을 계산하기 위한 특징 손실 계산 서브 유닛을 포함하는 순환 생성 네트워크 모델의 훈련 장치.
청구항 15에 있어서,
상기 픽셀 손실 계산 서브 유닛은,
상기 생성 특징 맵 중의 각 위치의 픽셀 포인트에 대하여, 해당 픽셀 포인트의 픽셀 값과 상기 샘플 특징 맵 중의 대응 위치의 픽셀 포인트의 픽셀 값 사이의 차이값의 절대값을 계산하여 각 위치에 대한 픽셀 포인트의 차이를 획득하며,
복수의 위치의 픽셀 포인트에 대한 차이에 따라 상기 생성 특징 맵과 샘플 특징 맵 사이의 픽셀 차이를 결정하기 위해 사용되는 순환 생성 네트워크 모델의 훈련 장치.
청구항 11에 있어서,
상기 순환 생성 네트워크 모델은 제1 생성 모델 및 제2 생성 모델을 포함하며,
상기 제1 생성 모듈은 소스 도메인 샘플 글자를 제1 생성 모델에 입력하여 상기 제1 타겟 도메인 생성 글자와 제1 소스 도메인 생성 글자를 획득하기 위한 것이며;
상기 훈련 장치는,
타켓 도메인 샘플 글자를 상기 제2 생성 모델에 입력하여 제2 타켓 도메인 생성 글자와 제2 소스 도메인 생성 글자를 획득하기 위한 제2 생성 모듈;
상기 소스 도메인 샘플 글자, 제1 타켓 도메인 생성 글자, 제1 소스 도메인 생성 글자, 타켓 도메인 샘플 글자, 제2 타겟 도메인 생성 글자 및 제2 소스 도메인 생성 글자에 따라, 상기 순환 생성 네트워크 모델의 생성 손실을 계산하기 위한 제3 계산 모듈:및
상기 생성 손실에 따라 상기 제1 생성 모델의 파라미터를 조정하기 위한 제2 조정 모듈을 더 포함하는 순환 생성 네트워크 모델의 훈련 장치.
청구항 17에 있어서,
상기 제1 조정 모듈은 상기 오자 손실 및 특징 손실에 따라 상기 제1 생성 모델의 파라미터를 조정하기 위해 사용되는 순환 생성 네트워크 모델의 훈련 장치.
청구항 11 내지 청구항 18 중 어느 한 항에 있어서,
상기 소스 도메인 샘플 글자는 소스 도메인 글자체 스타일을 가지는 이미지이고,
상기 타겟 도메인 샘플 글자는 타겟 도메인 글자체 스타일을 가지는 이미지인 것인 순환 생성 네트워크 모델의 훈련 장치.
소스 도메인 입력 글자를 청구항 11 내지 청구항 18중 어느 한 항에 따른 장치에 의해 훈련한 순환 생성 네트워크 모델에 입력하여 타겟 도메인 새 글자를 획득하기 위한 제3 생성 모듈; 및
상기 타켓 도메인 새 글자에 기반하여 글자 라이브러리를 구축하기 위한 글자 라이브러리 구축 모듈을 포함하는 글자 라이브러리의 구축 장치.
적어도 하나의 프로세서; 및
상기 적어도 하나의 프로세서와 통신 연결된 메모리를 포함하며, 여기서,
상기 메모리에는 적어도 하나의 프로세서에 의해 실행 가능한 명령어가 저장되어 있고, 상기 명령어는 적어도 하나의 프로세서에 의해 실행되어, 상기 적어도 하나의 프로세서로 하여금 청구항 1 내지 청구항 8 중 어느 한 항의 순환 생성 네트워크 모델의 훈련 방법을 실행할 수 있게 하는 전자 기기.
컴퓨터로 하여금 청구항 1 내지 청구항 8 중 어느 한 항의 순환 생성 네트워크 모델의 훈련 방법을 실행하게 하기 위한 컴퓨터 명령어가 저장되어 있는 비휘발성 컴퓨터 판독 가능 저장 매체.
프로세서에 의해 실행될 시에 청구항 1 내지 청구항 8 중 어느 한 항의 순환 생성 네트워크 모델의 훈련 방법을 구현하는 컴퓨터 프로그램.