基于双潜流形的可扩展字体重建

我们提出了一种深度生成模型，通过学习字体风格与字符形状的解耦流形来进行字体分析与字体重建。与先前方法相比，我们的方法使我们能够大规模扩展可有效建模的字符类型数量。具体而言，我们通过一对推断网络推断分别表示字符和字体的潜变量，这些网络以共享同一字符类型或属于同一字体的字形集合作为输入。该设计使我们的模型能够泛化到训练时未观察到的字符，鉴于大多数字体相对稀疏，这是一项重要任务。我们还提出了一种新损失，改编自先前在投影空间中使用自适应分布度量似然的工作，从而生成更自然的图像而无需判别器。我们在代表多种语言字符类型的多个数据集上评估了字体重建任务，并根据自动和人工评估指标与现代风格迁移系统进行了有利比较。