基于生成对抗网络的手写汉字字库生成的设计和实现.pdf
《基于生成对抗网络的手写汉字字库生成的设计和实现.pdf》由会员分享,可在线阅读,更多相关《基于生成对抗网络的手写汉字字库生成的设计和实现.pdf(4页珍藏版)》请在咨信网上搜索。
1、科学技术创新 2023.25基于生成对抗网络的手写汉字字库生成的设计和实现石裕林(长江大学,湖北 荆州)1基于生成对抗网络的手写汉字图片生成模型的原理1.1生成对抗网络(GANs)基本原理GANs 的基本原理是通过生成器G 和判别器 D 的训练,使两部分相互对抗的过程1。GANs 的任务是训练一个尽可能完美的生成器 G,从而实现随机的噪声 z 到生成的数据 x 的映射:G(z)-x。同时训练一个尽可能完美的判别器 D,用来判断其输入的数据是来自真实样本数据集还是生成的数据。图 1GAN 网络的基础框架生成器 G 和判别器 D 模型之间进行着极大值和极小值的博弈中分别是对方的竞争对手,它用下列公
2、式表示。(1)式(1)中的 x 表示为真实图片,输入生成器 G 的z,G(z)代表其为生成器 G 输出结果,D(x)为判别器 D判断输入的真实图片是否属于为真实数据,D(G(z)为判别器 D 的输出结果,其表示输入的图片来自真实样本数据的可能性。训练过程如图 2 所示。图 2 中曲线的起伏表示其各自的数据分布,曲线Pdata(x)代表的是真实数据,曲线 D 为判别的概率,曲线 Pg(x)代表生成器生成样本的分布状况。图片下部分z 表示随机噪声,z 到 x 表示噪声输入生成器之后的分布情况。(a)状态是训练刚开始的时候,多次训练之后达到(b)状态,当训练达到(c)状态,此时生成样本已经比较接近真
3、实样本了。反复对以上训练过程进行迭代最终达到理想状态(d)。1.2基于生成对抗网络的 CycleGAN 实现汉字字体生成的原理CycleGAN 由两个相互对应的 GAN 网络所组成,这样就形成了一个环状的网络结构。这两个 GAN 网络使用两个生成器,并且自身拥有专属自己的判别器也就是说其一共有 2 个生成器和 2 个判别器2。其网络模型如图 3 所示。如图 3 所示,X 代表 X 样本空间的数据,Y 代表属于 Y 样本空间的数据。生成 G 通过输入 X 产生 Y样本空间的数据,生成的 Y 样本空间再由生成器 F 重构为 X 样本空间的原图像;与之对应的生成器 F 输入为 Y 生成的为 X,再由
4、生成器 G 重构为 Y 样本空间作者简介院石裕林(1998-),男,硕士在读,研究方向:图像压缩、机器学习。摘要:本文通过生成对抗网络(GAN)来对手写汉字字库生成进行研究,使用一一配对的数据集对目标网络进行训练。使网络能自动学习不同风格字体,来生成与用户手写汉字风格相似的汉字图片。关键词:手写汉字生成;汉字切割;生成对抗网络中图分类号院TP183文献标识码院A文章编号院2096-4390渊2023冤25-0100-04图 2生成器判别器与样本示意黑体,黑色手写,黑色手写,黑色100-2023.25 科学技术创新图像。DX 和 DY 分别是两个判别器用来判断各自的生成数据是否满足对应的样本空间
5、,从而使两种不同域的图片进行很好的转换。因此,实际上 CycleGAN 模型的目标就是学习 X样本空间到 Y 样本空间的映射。我们将这种映射关系称为 G,也就是模型中的生成器 G,G 可以将输入的样本数据 X 转换为 Y 域的样本数据即:G(X)-Y。同样的,Y 样本空间到 X 样本空间的映射可以表示为:F(Y)-X。对于映射 G(X)-Y,我们还需要一个判别器 DY对输入的生成数据判断其是否来自真实数据。由现在生成器 G 以及判别器 DY,则 GAN 损失如公式(2)所示:(2)实际上该损失其实与原始的 GAN 损失如出一辙,如果仅仅使用这一个损失进行训练明显是不行的。这是因为映射 G 完全
6、可以将 X 域的图像全都映射为 Y域中的同一张图片,这样损失就失去了它的作用。所以,作者又提出了叫做循环一致性损失。同样的对于映射 F(Y)-X,我们定义器判别器为 DX器,根据 F(G(X)近似于 X 和 G(F(Y)近似于 Y,循环一致性损失就为如公式(3):(3)对另一个GAN 的损失进行定义为 LGAN(F,DX,X,Y)。最终的损失就由三个部分所组成如公式(4)所示:(4)那么 CycleGAN 的原理可以简单理解为:对两种不同风格的图片进行相互转换。1.3基于生成对抗网络的 Pix2pix 实现汉字字体生成的原理Pix2pix 是基于 CGAN 的网络模型,CGAN 与传统的 GA
7、N 不同,传统的GAN 生成器输入的数据只是一个随机的噪声,通过随机噪声来生成一张图片。从随机噪声z 来学习到目标图片 y:G:z寅y;而 CGAN 的生成器输入的数据不再只是单单一个随机的噪声,而是传入某一张图片 x 和某一个控制条件 z 来生成一张假图片,那么 CGAN 能通过输入的 x 和 z 来生成目标图像y:G:(x,z)寅y。那么 CGAN 的生成器 G 的目标就不仅仅是为了欺骗判别器 D 而且还需要让生成的图片满足控制条件 z。而 CGAN 中的判别器的输入数据为一个真(假)的样本图片和控制条件 y 用来判断是否满足控制条件 y。在以前的研究中我们发现,对于 CGAN 来说,如果
8、增加一个另外的损失,例如 L2 距离(生成图片与样本图片),会有更好的效果。这样判别器的损失不发生变化,而生成器的损失发生了变化。但是,在P.Isola,J.Zhu 等人文献中使用了 L1 距离(公式(5),这是因为与 L2 距离相比较,L1 距离所生成的图像会更清晰,能减少模糊的产生。(5)Pix2pix 的生成器使用了 U-Net 网络结构,U-Net加入了残差连接,将对应的 feature maps 和解码之后的与之具有相同大小的 feature maps 按照各自的通道拼接在一起,这样就可以将样本卷积之后的不同分辨率的细节保存下来。对于汉字字体图片生成来说,采用 Pix2pix 网络模
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 生成 对抗 网络 手写 汉字 字库 设计 实现
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。