ZiGAN：基于小样本风格迁移的精细粒度中国书法字体生成方法
ZiGAN: Fine-grained Chinese Calligraphy Font Generation via a Few-shot Style Transfer Approach
Qi Wen, Shuang Li, Bingfeng Han, Yi Yuan
2021-10-17
开放获取美术与书法被引 42
摘要
汉字风格迁移是一项极具挑战性的任务，相较于英文字母而言，汉字的字形结构更为复杂，且现存汉字数量庞大。此外，书法大师的手写体笔画更为不规则，在现实场景中难以获取。近期虽已有若干基于生成对抗网络的方法被应用于字体合成，但其中一些方法需要大量参考数据，另一部分则需经过繁琐的预处理步骤，将汉字拆分为不同部件分别进行学习与迁移。在本文中，我们提出了一种简洁而强大的端到端中国书法字体生成框架ZiGAN，仅需少量参考样本，无需任何人工操作或冗余预处理，即可生成具有精细粒度目标风格的汉字。具体而言，我们利用不同书法风格下的少量配对样本，来建立不同字形底层结构之间的精细关联；为了提取目标风格中的有效风格特征并深化对汉字内容的宏观理解，我们借助多个非配对样本来对齐不同书法风格所对应的特征分布。借此，仅需少量目标书法汉字样本，便能生成符合预期风格迁移效果的汉字。实验结果表明，该方法在小样本汉字风格迁移任务中具备领先的泛化能力。
本摘要由 AI（Hy-MT2-Pro）翻译生成，仅供参考，请以原文为准。
AI 综述
基于全文生成- 主要观点
- 针对中文书法字形结构复杂、名家真迹数据获取困难以及现有生成方法依赖大量参考数据或繁琐预处理的问题，提出了一种名为ZiGAN的端到端少样本书法字体生成框架。该框架仅需少量目标风格参考字符即可生成细粒度的风格化汉字，无需任何人工干预或冗余的预处理步骤。
- 研究方法
- 该研究构建了基于生成对抗网络的端到端架构，利用少量配对样本提取不同字形间的细粒度结构关联，同时引入大量未配对的标准字体样本以对齐不同风格的特征分布，从而增强对字符内容的粗粒度理解。在网络设计上，采用编码器-解码器结构，并在判别器中引入基于类激活映射的辅助分类器以聚焦关键笔画区域。模型综合使用了GAN损失、一致性损失、对齐损失和基于多核最大均值差异的风格损失来优化生成效果。
- 学术贡献
- 提出了一种简便且高效的端到端少样本书法生成框架，摆脱了传统方法对繁琐人工操作和先验知识的依赖。创新性地利用未配对标准字体学习粗粒度内容知识，通过将特征映射到希尔伯特空间对齐分布，成功在保留字符语义信息的同时实现风格迁移。实验证明该方法在少样本中文字体风格迁移上具有领先的泛化能力，并已成功落地于实际应用场景。
- 存在局限
- 材料中未明确提及。
- 进一步研究方向
- 材料中未明确提及。
本综述由 AI（GLM-5.1）阅读开放获取全文自动生成，仅供参考，不代表原文作者观点，请以原文为准。
参考文献
相关论文
话题：Video Analysis and Summarization