TET-GAN：通过风格化与去风格化实现文本特效迁移
计算机视觉与模式识别
2018-12-31 v2
摘要
文本特效迁移技术可自动使文本极具视觉冲击力。然而，以往的风格迁移方法要么研究面向通用风格的模型（无法处理沿字形高度结构化的文本特效），要么需要为文本特效手动设计精细的匹配准则。本文中，我们专注于利用深度神经特征强大的表示能力进行文本特效迁移。为此，我们提出了一种新颖的纹理特效迁移 GAN（TET-GAN），其由一个风格化子网络和一个去风格化子网络组成。核心思想是训练我们的网络同时完成风格迁移与风格去除的目标，从而学会解耦并重组文本特效图像的内容与风格特征。为支持网络训练，我们提出了一个新的文本特效数据集，在 837 个字符上包含多达 64 种专业设计的风格。我们展示了所解耦的特征表示使我们能使用一个网络在任意字形上迁移或去除所有这些风格。此外，灵活的网络设计使 TET-GAN 能够通过仅需一个样本的一次性学习高效扩展到新文本风格。我们证明了所提方法在生成高质量风格化文本方面优于最先进的方法。
引用
@article{arxiv.1812.06384,
title = {TET-GAN: Text Effects Transfer via Stylization and Destylization},
author = {Shuai Yang and Jiaying Liu and Wenjing Wang and Zongming Guo},
journal= {arXiv preprint arXiv:1812.06384},
year = {2018}
}
备注
Accepted by AAAI 2019. Code and dataset will be available at http://www.icst.pku.edu.cn/struct/Projects/TETGAN.html