基于卷积循环生成对抗网络的词级字体到字体图像翻译

将一种字体转换为另一种字体在现实应用中非常有用。在本文中,我们提出一种卷积循环生成模型来解决词级字体迁移问题。我们的网络能够将任意印刷文本图像的字体样式从当前字体转换为所需字体。该网络针对完整词图像进行端到端训练。因此它消除了必要的预处理步骤,如字符分割。我们将模型扩展到条件设置,有助于学习一对多映射函数。我们在生成器中采用一种新颖的卷积循环模型架构,能有效处理任意宽度的词图像。它还有助于在拼接目标字体的生成图像块后保持最终图像的一致性。此外,在生成器和判别器网络之外,我们采用一个分类网络将转换后字体样式的生成词图像分类到其相应的字体类别。大多数早期的图像翻译工作都是在方形图像上进行的。我们提出的架构是首个能处理变宽度图像的工作。词图像通常根据所含字符数量具有可变宽度。因此,我们在一个合成生成的字体数据集上测试我们的模型。我们将我们的方法与一些最先进的图像翻译方法进行比较。我们的网络在同一数据集上的优越性能证明了我们的模型学习字体分布的能力。