基于StarGANv2的多风格字体生成研究

目的:实现多种风格域的无监督字体风格迁移。方法:使用StarGANv2网络模型,对生成器进行改进。引入IBN-Net,将实例标准化(Instance normalization,IN)和批标准化(Batch normalization,BN)结合,形成残差网络的基础模块。然后在此模型的风格编码网络中增加注意力机制,进一步对不同风格字体挖掘关键性区域特征,增强目标域的差异化特征分布,实现对小样本字体图像抽取更加丰富的特征信息。结果:在不同风格字体的数据集上来验证改进模型的有效性,研究表明,在像素级、感知级等评价指标中均优于其他算法。相比原始模型,本文方法生成的汉字图像,FID下降5.12,LPIPS下降0.0621,SSIM增加0.0411。并且视觉上有更好的生成效果,保留了更多的细节信息。结论:改进的模型能够有效的生成高质量的多风格字体汉字。