解耦书写者与字符风格用于手写生成
计算机视觉与模式识别
2023-04-03 v2
摘要
训练机器合成多样化手写是一项引人入胜的任务。近来，基于 RNN 的方法被提出以生成风格化的在线中文字符。然而，这些方法主要关注捕捉个人的整体书写风格，忽视了同一人书写字符间细微的风格不一致性。例如，尽管个人的手写通常呈现总体一致性（如字形倾斜与长宽比），字符的更精细细节（如笔画长度与曲率）仍存在小的风格变化。有鉴于此，我们提出从个体手写字中解耦书写者级与字符级的风格表示，以合成逼真的风格化在线手写字符。具体而言，我们提出风格解耦 Transformer（SDT），其采用两个互补对比目标分别提取参考样本的风格共性与捕捉各样本的细致风格模式。在多种语言书写上的大量实验证明了 SDT 的有效性。值得注意的是，我们的经验发现表明，两种习得的风格表示在不同频率量级上提供信息，凸显了分离风格提取的重要性。我们的源代码公开于：https://github.com/dailenson/SDT。
引用
@article{arxiv.2303.14736,
title = {Disentangling Writer and Character Styles for Handwriting Generation},
author = {Gang Dai and Yifan Zhang and Qingfeng Wang and Qing Du and Zhuliang Yu and Zhuoman Liu and Shuangping Huang},
journal= {arXiv preprint arXiv:2303.14736},
year = {2023}
}
备注
accepted by CVPR 2023. Source code: https://github.com/dailenson/SDT