买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：武汉大学

摘要：本发明提供一种基于CycleGAN的个性字体生成方法。本方法从图像风格迁移的思想出发，基于循环生成对抗网络CycleGenerativeAdversarialNetwork，CycleGAN搭建了用于字体风格迁移的模型，主要创新点是将图片风格迁移的方法运用到字体风格设计中，并对循环生成对抗网络的生成器进行了优化，将生成器中原本的Resnet结构替换为U‑net结构，选取了恰当的模型参数，并构建了属于自己的数据集，对数据集进行数据增强操作，最终获得了效果较好的生成风格字体图片。

主权项：1.一种基于CycleGAN的个性字体生成方法，其特征在于，包括以下步骤：步骤1，采集图像数据集，对图像数据集中的图像数据进行预处理，构建实验所需训练数据集，包括汉字图像数据集和手写汉字图像数据集；步骤2，构建循环生成对抗式网络模型，实现汉字图像的风格迁移；所述循环生成对抗式网络模型是将原始的CycleGAN网络中的生成器结构替换为U-net结构，判别器中使用PatchGAN网络；所述循环生成对抗式网络模型用于实现一个域到另一个域的映射，即学习输入域和目标域之间的风格转换的映射关系，而不是两个数据域中具体的输入图片和目标图片之间的一一映射的关系，从而解决模型高度依赖配对图片的问题；所述的循环生成对抗式网络模型具体结构包括；两个生成器GeneratorA2B和GeneratorB2A，以及两个判别器DiscriminatorA和DiscriminatorB；其中生成器采用U-net网络，U-net网络被分为左部的编码部分和右部的解码部分，编码部分用来提取图片的比较表面的特征，特征的提取过程靠下采样和卷积来实现，在这个过程中，图片的尺寸减小的同时通道数会增加，解码部分用来提取图片的较深的、比较内核的特征，这个过程通过上采样和反卷积实现，反卷积的填充方式选用stride和valid中的valid方式，解码过程中，图片的尺寸会增大，通道数会减小，U-net网络中间的连接方式为跳跃连接，该方式将编码部分和解码部分获得的特征结合，实现了浅层特征和深层次特征的融合，得到最终的特征图像，对得到的特征图像进行细分，并进行预测分割，得到最后的预测分割图；具体为：将手写字体图片输入U-net网络，交替通过3*3的卷积层和2*2最大池化层，提取浅层特征，通过反卷积层和上采样提取图片的深层特征，上采样的过程中图片的尺寸会变大，最后输出特征图像；中间通过跳跃连接，将编码部分提取的特征与解码部分拼接，将浅层特征与深层结合；判别器使用的是70*70的PatchGAN网络，判别器中使用了三个sequential层对拼接的图像进行下采样，另外，还添加了Zero_padding层对图像进行边缘填充，判别器输出的图像大小为30*30，通道数为1；循环生成对抗式网络模型从输入域A中获取输入图像Input_A，并将Input_A传至第一个生成器GeneratorA2B，生成器将输入图像转换到目标域B中，生成具有目标风格的图像Generated_B，生成的风格图像Generated_B将会进入判别器DiscriminatorB，判别器判断该生成的图像是否为真，与此同时，生成图像Generated_B又会经过生成器GeneratorB2A生成与原始输入图像相似的图Cyclic_A，并与原始输入图像Input_A作一个损失函数计算，当这个损失函数的值小于一定阈值时，循环生成对抗式网络模型的训练满足要求；步骤3，利用步骤1中的训练数据集对步骤2中构建的循环生成对抗式网络模型进行训练，生成风格图片；步骤4，根据生成的风格图片效果，不断地对循环生成对抗式网络模型的参数进行修正，并对模型的损失函数进行修改，得到效果更好的风格图片，最后确定效果最好的参数，生成相应的结果图。

全文数据：

权利要求：

百度查询： 武汉大学 一种基于CycleGAN的个性字体生成方法