FontNet：在字体合成中逼近字体设计师的表现

字体合成近年来是一个十分活跃的研究课题，因为人工字体设计需要领域专业知识且是一项劳动密集且耗时的任务。尽管现有字体合成方法取得了显著成功，但仍存在重大缺陷：它们需要对未观测到的字体风格使用大型参考图像进行微调，而近期的少样本字体合成方法要么专为特定语言系统设计，要么在低分辨率图像上运行，限制了其应用。本文通过在嵌入空间中学习字体风格来解决这一字体合成问题。为此，我们提出了一种称为 FontNet 的模型，它同时学习在嵌入空间中分离字体风格（其中距离直接对应于字体相似度的度量），并将输入图像转换为给定的已观测或未观测字体风格。此外，我们设计了可适用于任何语言系统并能生成高分辨率字体图像的网络架构与训练流程。得益于该方法，我们提出的方法在定性与定量实验上均优于现有的最先进字体生成方法。