摘要
中文字体的风格迁移一直是图像风格迁移领域中的热点问题，是图像翻译领域的一个分支，不同于其他国家的文字字体风格迁移，汉字的复杂结构和其极具艺术感的细腻笔触、多变的风格以及庞大的数量对于该领域的相关研究来说都是极大的挑战。传统的中文字体风格研究注重字体风格的笔画细节以及笔触质感等，字体生成的效率较低、工作量极大，无法满足工业化与商业化的需求。21世纪以来，随着计算机算力的指数级提升以及越来越多的大型数据集的出现，深度学习日渐火热，研究者们开始将深度学习算法逐渐应用到字体风格迁移的领域中。2017年由Zhu等人提出的循环一致性生成对抗网络（CycleGAN）首次实现了非配对图像数据之间的风格迁移，取得了令人瞩目的效果，为字体风格迁移研究提供了新的思路。但当前领域仍处于探索阶段，中文字体风格迁移相关研究并不多。本文提出了一种基于CycleGAN的端到端的模型，聚焦于当前中文字体风格迁移研究的难点之一——书法字体的风格迁移，根据其字体特点对原有的模型架构做出两点创新改进：一是使用多级池化来进行下采样；二是在原有的CycleGAN的残差结构中新增残差分支。经实验研究证实，改进后的模型不仅能够保留更多的风格特征信息、提高对抗训练的生成结果，且风格迁移的效果也大幅提升，图片的PSNR值有明显提升，相较于原始的CycleGAN也能够较快地收敛。在本文的末尾还提出了一些关于研究结果的思考，并针对该结果提出了模型进一步改进策略在将来加以实现。
NETL