一种基于生成对抗网络的深度可变形艺术字样式迁移方法技术

本发明专利技术公开了一种基于生成对抗网络的深度可变形艺术字样式迁移方法，该方法采用生成对抗网络模型，通过设计的生成模型学习到更好的内容特征，生成带有风格图片形状和样式的艺术字。通过本发明专利技术可以有效解决复杂字体经过风格迁移后字形不清晰的问题，可以生成各种样式的精美艺术字，不仅减少了艺术字的设计时间，也提高了大众审美。也提高了大众审美。也提高了大众审美。

【技术实现步骤摘要】
一种基于生成对抗网络的深度可变形艺术字样式迁移方法


[0001]本专利技术属于深度学习
，特别是涉及一种基于生成对抗网络的深度可变形艺术字样式迁移方法。

技术介绍

[0002]随着多媒体技术的发展和人们审美情趣的提升,越来越多的人开始关注视觉信息的美观程度。其中,文字作为日常生活中最重要的部分之一,对其进行美化,生成艺术字,提升其主观视觉质量成为了一个重要的研究热点。
[0003]艺术字生成的关键在于对文字进行纹理合成,将色彩丰富的纹理信息添加到目标文字上。这类技术使用从源纹理图中复制纹理像素或者纹理块的方式在目标图像中合成新的纹理。但是这些方法忽略了艺术字中纹理的多样性和复杂性,因此其合成结果与源艺术字可能相差较大,变得呆板而单一。另一种用于纹理合成的方法是基于统计的纹理合成技术。这类技术对源纹理图中的纹理进行统计上的建模,将纹理描述为统计数字,然后调整目标纹理图使之具有相同的统计数字。这类技术因为建模的准确性问题,难以精确模仿源纹理的视觉特征,合成结果杂乱并且具有很多瑕疵。基于生成对抗网络的艺术文本风格转移提出了第一个文本样式本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于生成对抗网络的深度可变形艺术字样式迁移方法，其特征在于：包括：步骤1：选取文本数据集和一张作为风格图片进行推演；步骤2：获取特征图片；步骤3：建立草图模块G
B
；步骤4：基于平滑损失函数、重建损失函数、条件对损失函数计算总的损失函数：其中，为设置的权重，为训练草图模块G
B
重建损失函数，为条件对损失函数，是定义的平滑损失函数；步骤5：将风格传递过程分解为两个连续的阶段：结构传递和纹理传递，分别由生成器G
S
和G
T
建模；步骤6：建立字形网络Gs模块，进行结构传递；步骤7：Gs在训练阶段学习不同参数下文本图像的变形程度；步骤8：建立迁移网络G
T
模块，进行纹理传递；步骤9：通过三轮epoch，分别迭代多次，组成损失函数，反向传播梯度，经过三阶段训练，生成需要的模型为G
S
.ckpt，G
T
.ckpt；步骤10对于不同层，分别采用基于梯度下降法的优化算法生成风格迁移结果；步骤11，输入生成的模型，选择一张文本图片进行测试，得到输出图片。2.根据权利要求1所述的基于生成对抗网络的深度可变形艺术字样式迁移方法，其特征在于：所述步骤2包括：利用深度卷积神经网络，先用卷积核提取特征，初始化的卷积核会在反向传播的过程中，在迭代中被一次又一次的更新，得到特征图片。3.根据权利要求1所述的基于生成对抗网络的深度可变形艺术字样式迁移方法，其特征在于：所述步骤3包括：将目标结构图简化为不同的粗级；通过多层次粗到细的形状映射来表征形状特征，实现多尺度转移，得到不同变形程度的掩膜。4.根据权利要求1所述的基于生成对抗网络的深度可变形艺术字样式迁移方法，其特征在于：平滑损失函...

【专利技术属性】
技术研发人员：林睦纲，朱炫莹，赵辉煌，文坤辉，易蒙婷，
申请(专利权)人：衡阳师范学院，
类型：发明
国别省市：