针对目前字体生成算法对字体细节特征关注不足,导致生成笔画细节粗糙和风格特征模糊等问题,提出一种融合多感受野特征的汉字字体生成算法。针对笔画细节缺失引入多感受野特征金字塔模块(Multi-Receptive Field Feature Pyramid,MRFP)捕...针对目前字体生成算法对字体细节特征关注不足,导致生成笔画细节粗糙和风格特征模糊等问题,提出一种融合多感受野特征的汉字字体生成算法。针对笔画细节缺失引入多感受野特征金字塔模块(Multi-Receptive Field Feature Pyramid,MRFP)捕获不同尺度的特征,重建笔画细节,在生成过程中既能处理整体字形又能保留细节特征,提高生成一致性;针对冗余特征影响生成结果质量,引用通道和空间重建卷积(Spatial and Channel Reconstruction Convolution,SCConv)代替普通卷积,采用分离重构和分离变换融合的方法抑制空间和通道的冗余,提高对整体字形特征的关注度,加强模型泛化能力。将多感受野特征金字塔模块和SCConv融合于字体生成模型。实验采用10类中文字库训练,两种测试集验证,将算法与CycleGAN,Zi2zi,DG-Font进行比较。结果表明:该方法的生成结果在整体风格和笔画细节上优于其他字体生成算法,在PSNR,SSIM,LPIPS评价指标上均有改善。展开更多
文摘针对目前字体生成算法对字体细节特征关注不足,导致生成笔画细节粗糙和风格特征模糊等问题,提出一种融合多感受野特征的汉字字体生成算法。针对笔画细节缺失引入多感受野特征金字塔模块(Multi-Receptive Field Feature Pyramid,MRFP)捕获不同尺度的特征,重建笔画细节,在生成过程中既能处理整体字形又能保留细节特征,提高生成一致性;针对冗余特征影响生成结果质量,引用通道和空间重建卷积(Spatial and Channel Reconstruction Convolution,SCConv)代替普通卷积,采用分离重构和分离变换融合的方法抑制空间和通道的冗余,提高对整体字形特征的关注度,加强模型泛化能力。将多感受野特征金字塔模块和SCConv融合于字体生成模型。实验采用10类中文字库训练,两种测试集验证,将算法与CycleGAN,Zi2zi,DG-Font进行比较。结果表明:该方法的生成结果在整体风格和笔画细节上优于其他字体生成算法,在PSNR,SSIM,LPIPS评价指标上均有改善。