StrokeGAN：通过笔画编码缓解中文字体生成中的模式崩溃

风格化中文字体的生成是许多应用中的一个重要问题。现有的大多数生成方法基于深度生成模型，尤其是基于生成对抗网络（GAN）的模型。然而，这些深度生成模型可能遭受模式崩溃问题，显著降低了生成结果的多样性和质量。本文引入一位笔画编码来捕捉汉字的关键模式信息，并将其融入用于中文字体生成的流行深度生成模型 CycleGAN 中。基于此，我们提出了一种高效的方法 StrokeGAN，其主要动机在于观察到笔画编码包含大量汉字的模式信息。为了重建所生成字符的一位笔画编码，我们在判别器上引入了一种笔画编码重建损失。借助这样的一位笔画编码和笔画编码重建损失，CycleGAN 的模式崩溃问题可得到显著缓解，同时改善了笔画的保持和生成字符的多样性。StrokeGAN 的有效性通过在九个具有不同字体的数据集上的一系列生成任务得到验证。数值结果表明，StrokeGAN 在内容和识别准确率以及某种笔画误差方面普遍优于最先进的方法，并生成更逼真的字符。