申请/专利权人：江西师范大学

申请日：2024-04-11

公开（公告）日：2024-06-25

公开（公告）号：CN118036555B

主分类号：G06F40/109

分类号：G06F40/109;G06N20/00;G06V30/19;G06V10/82;G06V10/80;G06N3/0464;G06N3/0455;G06N3/09

优先权：

专利状态码：有效-授权

法律状态：2024.06.25#授权;2024.05.31#实质审查的生效;2024.05.14#公开

摘要：本发明属于计算机视觉领域，公开了基于骨架式转移和结构对比学习的少样本字体生成方法，包括下列步骤：步骤一、建立生成模型，所述生成模型包括生成器和鉴别器；步骤二、对生成模型进行训练，通过将整体损失最小化来优化少样本字体生成模型；步骤三、完成训练后利用训练好的字体生成模型进行字体生成；所述生成模型为少样本字体生成模型，还包括结构对比学习模块，所述结构对比学习模块将字体结构划分为若干类别，并基于所有的训练图像通过聚类方法计算对应各个类别的聚类中心，将聚类中心存储在字典中。本发明同时增强内容和风格表示的全局信息和局部信息，从而借助这两个模块有效地解决笔画错位和样式失真等问题。

主权项：1.基于骨架式转移和结构对比学习的少样本字体生成方法，包括下列步骤：步骤一、建立生成模型，所述生成模型包括生成器和鉴别器；步骤二、对生成模型进行训练，通过将整体损失最小化来优化少样本字体生成模型；步骤三、完成训练后利用训练好的字体生成模型进行字体生成；其特征在于：所述生成模型为少样本字体生成模型，还包括结构对比学习模块，生成器用于根据内容图像和风格图像生成对应字符具有目标字体风格的生成图像；鉴别器用于在训练时鉴别生成图像的真实性；所述结构对比学习模块将字体结构划分为若干类别，并基于所有的训练图像通过聚类方法计算对应各个类别的聚类中心，将聚类中心存储在字典中；步骤二中，使用综合对抗损失、L1损失和结构对比损失形成的整体损失来评估生成图像的质量，结构对比损失用于监督生成图像的结构并同时保持生成图像风格的一致性，在训练中根据每次迭代所得的生成图像对字典进行优化更新，同时更新参数让整体损失最小化；结构对比损失的损失函数如下： ，其中，Lsc表示结构对比损失,·表示点积运算，q表示生成图像的查询实例，Sk表示存储字典中与查询实例对应的聚类中心，包括正样本S+和负样本S-，N表示Sk中的样本总数，参数τ是一个温度缩放因子；计算结构对比损失时需要将生成图像经结构编码器编码得到生成图像的查询实例q，每个训练迭代期间，通过查询实例q寻找与之相似结构特征向量的正样本S+，而那些不相似的则视为负样本S−，引导查询实例q朝着正样本S+的方向进行学习，存储字典根据每次迭代的查询实例q不断更新和调整，存储字典更新的计算公式如下： ，其中Qk表示第k个类别的生成图像编码得到的查询实例的集合，t是动量更新因子。

全文数据：

权利要求：

百度查询： 江西师范大学 基于骨架式转移和结构对比学习的少样本字体生成方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD