秦嘉霖，劉維尚

基于直觀漢字構(gòu)形原理的C3-GAN字體生成優(yōu)化方法

秦嘉霖1,2，劉維尚1

（1.燕山大學(xué)，河北 秦皇島 066004；2.河北省設(shè)計創(chuàng)新及產(chǎn)業(yè)發(fā)展研究中心，河北 秦皇島 066004）

為了提升生成對抗網(wǎng)絡(luò)漢字風(fēng)格遷移的圖像生成質(zhì)量，實現(xiàn)漢字智能生成在字庫產(chǎn)業(yè)中的實際應(yīng)用，提出了一種基于直觀漢字構(gòu)形學(xué)的條件生成對抗網(wǎng)絡(luò)字體生成優(yōu)化方法（Optimization of Conditional Fonts Generation with Chinese Character Configuration GANs，C3-GAN）。建構(gòu)了直觀漢字構(gòu)形模組（C3Module），該模組包含了利于條件生成對抗網(wǎng)絡(luò)進(jìn)行漢字構(gòu)形語義特征學(xué)習(xí)的全特征漢字字符集。C3-GAN在條件生成對抗網(wǎng)絡(luò)模型下進(jìn)行字體生成訓(xùn)練，降低了必要訓(xùn)練樣本數(shù)量，實現(xiàn)對字體生成效果的優(yōu)化。使用C3-GAN生成漢字圖像的清晰度更高、字形更準(zhǔn)確。在圖像相似性定量評估中，使用C3-GAN的實驗組相比于其他模型，獲得了更高的相似值和更小的誤差值。使用C3-GAN可以降低必要訓(xùn)練樣本數(shù)量、提升漢字圖像質(zhì)量。在實際項目中具有一定的應(yīng)用性和可操作性。

生成對抗網(wǎng)絡(luò)；漢字構(gòu)形；人工智能；深度學(xué)習(xí)；漢字字體；C3-GAN

近年來人工智能技術(shù)以其強大的數(shù)據(jù)分析能力和運算能力被廣泛應(yīng)用。Goodfellow等[1]提出了生成對抗網(wǎng)絡(luò)（Generative Adversarial Networks，GAN）的概念。自此，GAN網(wǎng)絡(luò)模型以其高效的數(shù)據(jù)學(xué)習(xí)能力和良好的目標(biāo)數(shù)據(jù)生成能力，在計算機(jī)視覺圖像生成領(lǐng)域有出色的表現(xiàn)。隨著我國經(jīng)濟(jì)的發(fā)展和國民審美水平的提高，具有藝術(shù)性與實用性雙重價值的中文字體庫設(shè)計作為文字信息的載體被廣泛運用。商業(yè)上對中文字體庫設(shè)計的需求正在逐年增加。然而，漢字字庫設(shè)計屬于勞動密集型產(chǎn)業(yè)，字體的制作需要耗費大量的人力和時間。借助深度學(xué)習(xí)圖像生成技術(shù)可以在一定程度上輔助漢字字體設(shè)計制作，提高中文字體庫的生產(chǎn)效率。對此，本文提出了一種基于漢字構(gòu)形學(xué)的字體生成優(yōu)化方法。

深度學(xué)習(xí)是對大規(guī)模數(shù)據(jù)進(jìn)行表征學(xué)習(xí)的算法[2]。生成對抗網(wǎng)絡(luò)作為深度學(xué)習(xí)領(lǐng)域的一個分支，近年來在圖像風(fēng)格遷移項目上進(jìn)展顯著。Isola等[3]開發(fā)了pix2pix模型，該模型可以在無需調(diào)整參數(shù)的情況下實現(xiàn)從輸入圖像到輸出圖像的風(fēng)格遷移。這項研究提出了處理圖像轉(zhuǎn)化的通用框架，可以高效完成圖像合成、圖像著色中的眾多任務(wù)，例如，對街景或外立面中的對象進(jìn)行分類標(biāo)記、灰度圖像的智能上色、航空地圖的圖像處理、切換圖像中的白天黑夜、生成圖像邊緣等，具有廣泛適用性和易用性。該研究對Zi2zi模型的實現(xiàn)有重要幫助。Zi2zi模型由Tian[4]提出，該模型能在生成對抗網(wǎng)絡(luò)原理下實現(xiàn)一對多的字體風(fēng)格遷移，訓(xùn)練通常需要使用較大數(shù)量的實驗樣本，是深度學(xué)習(xí)漢字風(fēng)格遷移的經(jīng)典方法。此后，圍繞該模型進(jìn)行了許多改進(jìn)研究和對照實驗。

歐陽詩康[5]提出了StarGAN模型，該模型可以通過對一個生成器訓(xùn)練實現(xiàn)多種字體的風(fēng)格轉(zhuǎn)換。任春鷹[6]提出了自注意力機(jī)制漢字字體生成算法和基于密集型的漢字字體生成算法，有效提高生成漢字輪廓的清晰度。陳杰夫[7]在生成對抗網(wǎng)絡(luò)風(fēng)格轉(zhuǎn)換模型基礎(chǔ)上提出了新的風(fēng)格制定機(jī)制，并通過分類損失函數(shù)和語義一致性損失函數(shù)對約束模型進(jìn)行優(yōu)化，提高了字體圖像生成質(zhì)量。王曉紅等[8]提出了一種基于變分自編碼的風(fēng)格化書法字體圖像生成模型，該模型能基于標(biāo)準(zhǔn)字體或隨機(jī)噪聲自動生成字體圖像。

以上這些研究都將漢字圖像生成優(yōu)化的重心放在模型改進(jìn)與損失函數(shù)優(yōu)化上。然而，漢字與其他圖像生成訓(xùn)練的對象不同。漢字作為具有幾千年歷史的中國文化符號，歷經(jīng)了漫長的發(fā)展演化，其背后潛藏著深刻的字形規(guī)則和構(gòu)成邏輯。需從真實場景出發(fā)，將減輕前期字體設(shè)計負(fù)擔(dān)，并提升漢字智能生成效果為首要目標(biāo)，除了在技術(shù)層面上的優(yōu)化以外，更應(yīng)該對漢字的結(jié)構(gòu)與語義進(jìn)行分析與融合，重視漢字作為具體實驗對象的內(nèi)在邏輯所能提供的支撐。因此，本文提出了一種基于直觀漢字構(gòu)形學(xué)的條件，生成對抗網(wǎng)絡(luò)字體生成優(yōu)化方法（Optimization of Conditional Fonts Generation with Chinese Character Configuration GANs，C3-GAN）。該方法創(chuàng)新性地將漢字構(gòu)形理論靈活運用于條件生成對抗網(wǎng)絡(luò)模型中，該模型僅使用幾百個漢字的訓(xùn)練樣本，通過對漢字的結(jié)構(gòu)與語義進(jìn)行分析，可以推理出同一風(fēng)格的高質(zhì)量漢字圖像。C3-GAN將為當(dāng)前漢字的智能生成研究補上缺失的一環(huán)，也為針對具體生成對象的“人工智能+視覺傳達(dá)”優(yōu)化模式提供一種新的思路。

1 基于直觀漢字構(gòu)形學(xué)的字體生成優(yōu)化方法

1.1 C3-GAN字體生成優(yōu)化方法

以往的條件生成對抗網(wǎng)絡(luò)模型的字體生成訓(xùn)練分為4個階段：Font-to-image（導(dǎo)出一對一漢字圖像）、Package（圖像二進(jìn)制打包）、Train（實驗訓(xùn)練過程）、Inference（實驗推理過程）。其中Font-to-image與Package屬于訓(xùn)練數(shù)據(jù)預(yù)處理階段。在預(yù)處理階段需要準(zhǔn)備至少1 000個隨機(jī)字符樣本。在原模型下，若要獲得更好的字體生成效果，則需要進(jìn)行第二階段Fine-tune，每次需要2 000～4 000個數(shù)據(jù)樣本。這導(dǎo)致原模型還無法在實際的字體庫項目的制作環(huán)節(jié)中運用。因為中國標(biāo)準(zhǔn)字庫的最小字符集GB2312涵蓋6 763個漢字，設(shè)計師通常憑借字形風(fēng)格、字體標(biāo)準(zhǔn)規(guī)則和設(shè)計經(jīng)驗進(jìn)行設(shè)計制作，字體庫設(shè)計的難度隨著完成字符數(shù)量的增加而遞減，所以智能漢字生成機(jī)制參與的時間越早輔助效果越好，如果在字體制作進(jìn)程已經(jīng)完成一半時參與，便不能發(fā)揮出理想的作用。因此，本項目的研究目的，就是對該條件生成對抗網(wǎng)絡(luò)字體生成方法進(jìn)行優(yōu)化改進(jìn)，降低必要樣本數(shù)量，提高字體圖像的生成質(zhì)量。

本文的創(chuàng)新點在于提出了C3-GAN優(yōu)化模型，并將該模型與字體設(shè)計各階段緊密地結(jié)合起來，見圖1。該優(yōu)化模型為原條件生成對抗網(wǎng)絡(luò)配置了漢字構(gòu)形模組（C3Module）。該模塊內(nèi)是一個基于直觀漢字構(gòu)形學(xué)的全特征字符集。全特征字符集是由字庫標(biāo)準(zhǔn)的漢字字符集（例如GB2312等）在直觀漢字構(gòu)形學(xué)中通過部件（Parts）與結(jié)構(gòu)（Structure）的系統(tǒng)分類，進(jìn)行不重復(fù)部件的組配漢字篩選得到的能以較少的字符數(shù)量表現(xiàn)漢字特征的集合。因此，全特征字符集可以在有限的字符樣本數(shù)量下充分涵蓋漢字部件與結(jié)構(gòu)的特征。用該模組替換原實驗預(yù)處理中使用的隨機(jī)樣本，讓漢字字體訓(xùn)練樣本的表現(xiàn)更具有全面性和廣泛性，有利于GAN網(wǎng)絡(luò)對漢字字體的構(gòu)成語義特征和風(fēng)格語義特征的掌握，從而實現(xiàn)比其他生成對抗網(wǎng)絡(luò)模型更好的字體風(fēng)格遷移效果。C3-GAN延續(xù)了目標(biāo)字形風(fēng)格的絕大多數(shù)特征，生成字庫所需字符數(shù)量的字形圖像，這些特征包括：筆形形態(tài)、筆畫特征、偏旁部首、間架結(jié)構(gòu)、字面率等。該模型的生成結(jié)果中體現(xiàn)的統(tǒng)一化和標(biāo)準(zhǔn)化，可以為后期設(shè)計中需要團(tuán)隊協(xié)同的字體制作工作提供有價值的參照。

圖1 C3-GAN漢字生成優(yōu)化方法

1.2 價值與意義

C3-GAN優(yōu)化模型創(chuàng)新方法具有以下應(yīng)用價值：減輕前期字體設(shè)計負(fù)擔(dān)，將必要漢字訓(xùn)練樣本減少到可控的600個；遵循漢字字體庫制作流程，研究方法可直接運用于實際項目；同步技術(shù)升級，伴隨著GAN模型優(yōu)化還有很大的發(fā)展空間。漢字構(gòu)形理論得以在漢字智能生成項目中發(fā)揮作用，表明了在探索字體設(shè)計智能化的道路上，離不開技術(shù)的進(jìn)步，更離不開文化的積淀。漢字在中華民族長遠(yuǎn)的發(fā)展歷程中，涵蓋了深厚的歷史文化，反映了中華文明的傳承，如今更彰顯著中國的文化自信。2017年國務(wù)院發(fā)布了《新一代人工智能發(fā)展規(guī)劃》，各行各業(yè)都在探尋人工智能所帶來的技術(shù)突破。以此為契機(jī)探究字體設(shè)計產(chǎn)業(yè)“人工智能+”的字體生成模式，有助于提高字庫企業(yè)的創(chuàng)造力和生產(chǎn)力，有利于促進(jìn)中國字體產(chǎn)業(yè)轉(zhuǎn)型升級，促進(jìn)新技術(shù)、新方法及人機(jī)協(xié)同新模式的形成。這種技術(shù)與文化融合創(chuàng)新的產(chǎn)業(yè)模式也為視覺傳達(dá)領(lǐng)域解決具體的智能生成問題提供了一條值得研究和思考的新路徑。

2 直觀漢字構(gòu)形原理

漢字構(gòu)形學(xué)是對漢字字形結(jié)構(gòu)進(jìn)行研究的理論。“六書”理論奠定了漢字構(gòu)形學(xué)原理的基礎(chǔ)，之后漢字構(gòu)形原理繼續(xù)發(fā)展和演化，如今已逐漸形成對簡體字的現(xiàn)代漢字構(gòu)形理論。在現(xiàn)代漢字直觀構(gòu)形體系中，針對漢字字形有了更加邏輯嚴(yán)謹(jǐn)?shù)膭澐?，該理論明確指出了組成漢字的各部分概念之間的層級關(guān)系和各要素的屬性特點。通過直觀漢字構(gòu)形原理從部件與結(jié)構(gòu)因素進(jìn)行篩選，可以得到C3-GAN所需的全特征字符集。

2.1 漢字構(gòu)形理論研究

2.1.1 字符集篩選的部件因素

部件由筆畫組成，是漢字的構(gòu)字單元。通過逐層拆分漢字，可以得到一級部件、二級部件直至末級部件。末級部件也稱基礎(chǔ)部件?；A(chǔ)部件的數(shù)量會伴隨著統(tǒng)計集的字?jǐn)?shù)增多而增加，但是到了一定程度后基礎(chǔ)部件的數(shù)量增加則不顯著。對部件的提取要考慮到部件在整字中的位置和與其他部件的空間關(guān)系。在《現(xiàn)代常用字部件及部件名稱規(guī)范》中收錄的部件數(shù)量為514個[9]。曉東[10]的研究中對通用漢字規(guī)范表的3 500個漢字提取部件，得到了474個部件，其中有195個成字部件。費錦昌[11]的研究中，統(tǒng)計得到了384個部件，其中有162個為成字部件。在侯冬梅[12]的研究中，從通用規(guī)范漢字標(biāo)準(zhǔn)的8 105個漢字統(tǒng)計，得到了549個基礎(chǔ)部件，共1 995個部件。

2.1.2 字符集篩選的結(jié)構(gòu)因素

漢字字形結(jié)構(gòu)的劃分與部件位置的分布有著必然的聯(lián)系。探究漢字結(jié)構(gòu)的規(guī)律，其實就是在厘清部件位置排布的規(guī)則。在傅永和[13]漢字結(jié)構(gòu)的研究中，根據(jù)部件平面分布的8類形式將通用規(guī)范漢字中合體字的結(jié)構(gòu)劃分為85種。通過逐層分析漢字結(jié)構(gòu)可以將合體字劃分為13種，也可粗略劃分為5種：左右結(jié)構(gòu)、上下結(jié)構(gòu)、特殊結(jié)構(gòu)、半包圍結(jié)構(gòu)、全包圍結(jié)構(gòu)。在劉靖年[14]的漢字構(gòu)形理論中，除了獨體字結(jié)構(gòu)以外，漢字的結(jié)構(gòu)有12種：上下結(jié)構(gòu)、上中下結(jié)構(gòu)、左右結(jié)構(gòu)、左中右結(jié)構(gòu)、全包圍結(jié)構(gòu)、上三包圍結(jié)構(gòu)、下三包圍結(jié)構(gòu)、左三包圍結(jié)構(gòu)、左上包圍結(jié)構(gòu)、左下包圍結(jié)構(gòu)、右上包圍結(jié)構(gòu)、框架結(jié)構(gòu)。而在趙彤[15]的研究中以小篆為研究對象，將漢字的結(jié)構(gòu)劃分成24種。由此可見，采用不同的劃分方法可以得到不同的漢字結(jié)構(gòu)分類。針對不同特點的研究對象和研究目的，可以對漢字的基本結(jié)構(gòu)分類方式進(jìn)行調(diào)整。

2.2 C3-GAN的字符集篩選方法

2.2.1 字形拆解與部件類聚

C3-GAN所需要的全特征字符集是基礎(chǔ)部件在不重復(fù)情況下組合而成的最小漢字集，既減少人工設(shè)計模板字體的工作量，又讓人工神經(jīng)網(wǎng)絡(luò)在訓(xùn)練中更全面地捕捉到漢字特征。本文對漢字字庫最小字符集GB2312的6 763個漢字通過漢字直觀構(gòu)形原理進(jìn)行字形的拆分和部件的分類歸納。在漢字構(gòu)形屬性研究中[12]，已經(jīng)對通用規(guī)范漢字字符集（含有8 105個漢字）做了部件拆解與分類。下面對GB2312字符集與通用規(guī)范漢字字符集進(jìn)行字符統(tǒng)計，見表1。

從表中可知，GB2312字符集與“一級、二級通用規(guī)范字”（含有6 500個漢字）的字符交集最大，因此漢字部件將在已有的“一級、二級通用規(guī)范字”的部件基礎(chǔ)上進(jìn)行拆分。首先，對GB2312獨有漢字使用漢字構(gòu)形二叉樹拆分法進(jìn)行拆分，拆分示意見圖2。

表1 字符集統(tǒng)計

Tab.1 Statistics of character sets

圖2 漢字拆分示意

圖3 字符集基礎(chǔ)部件

圖4 字符集合成部件

2.2.2 構(gòu)形字符集篩選

由此得到基于漢字構(gòu)形學(xué)的C3-GAN漢字全特征字符集。使用該方法得到的字符集在有限的字符數(shù)量下充分表示字符集中所有漢字的部件特征。本文將在下文的對照實驗中驗證C3-GAN訓(xùn)練漢字風(fēng)格遷移的優(yōu)化效果。

3 條件生成對抗網(wǎng)絡(luò)的漢字字體生成原理

本文將通過對照實驗探究C3-GAN與不使用漢字構(gòu)形模組（C3Module）的條件生成對抗網(wǎng)絡(luò)的漢字風(fēng)格遷移效果。本文采用的人工神經(jīng)網(wǎng)絡(luò)訓(xùn)練模型框架，見圖5。該模型的基本原理如下。

圖5 本文使用的生成對抗網(wǎng)絡(luò)模型

3.1 圖像風(fēng)格遷移原理框架

在生成式對抗網(wǎng)絡(luò)中為了讓生成圖像達(dá)到逼真的程度，圖片轉(zhuǎn)換模型的結(jié)構(gòu)化損失通過像素的分類、回歸公式來描述。在條件生成對抗網(wǎng)絡(luò)（Con-ditional GANs）中，生成器的工作是通過學(xué)習(xí)生成能夠欺騙判別器的虛擬圖像，判別器的工作是鑒別生成器生成的虛擬圖像，并與真實圖像進(jìn)行區(qū)分。區(qū)別于其他研究中的損失方法，條件生成對抗網(wǎng)絡(luò)中的損失是通過學(xué)習(xí)而獲得的，能針對輸出圖像與真實圖像之間的任何差異，對網(wǎng)絡(luò)權(quán)值進(jìn)行優(yōu)化。在該模型中生成器采用了“U-net”[16]基本結(jié)構(gòu)框架，并將固定的高斯噪聲嵌入到生成器中。生成器與判別器的訓(xùn)練過程見式（1）。

生成器經(jīng)過訓(xùn)練后，輸出讓判別器難以與真實圖像進(jìn)行區(qū)分的虛擬圖像，判別器經(jīng)過訓(xùn)練后能更好地檢測出“虛擬圖像”見式（2）。

3.2 跨域風(fēng)格轉(zhuǎn)換中的Loss優(yōu)化

在圖像的領(lǐng)域轉(zhuǎn)換網(wǎng)絡(luò)（Domain Transfer Networks，DTN）的理論中[17]，源圖像與目標(biāo)圖像除風(fēng)格不一致外仍存在相似的高維特征，利用Constant Loss計算源圖像經(jīng)過編碼之后的高維向量與生成圖像經(jīng)過編碼后的高維向量之間的差異，控制高維語義中源圖像與目標(biāo)圖像的特征盡可能相似，見式（3）。正是因為使用了Constant Loss，所以通過強制編碼器維持生成圖像的高維特征，顯著提高了人工神經(jīng)網(wǎng)絡(luò)的生成效率。

4 實驗

4.1 訓(xùn)練數(shù)據(jù)預(yù)處理

采用對照實驗的形式，驗證C3-GAN模型的優(yōu)化效果。選取了不同風(fēng)格的字體分別作為實驗的源字體S和目標(biāo)字體T。將基于漢字構(gòu)形模組（C3Module）篩選出的600個漢字組成實驗漢字集EG_600，對照組采用隨機(jī)取樣的600個漢字組成對照漢字集CG_600。使用cjk.json（www.json.org.cn）字符數(shù)據(jù)集為訓(xùn)練數(shù)據(jù)打標(biāo)簽。經(jīng)Font-to-image處理，將字符配對生成為256 px×256 px的圖像后，對圖像進(jìn)行二進(jìn)制打包處理。訓(xùn)練所用的漢字圖像的內(nèi)容包含漢字的結(jié)構(gòu)、輪廓、特征等信息，二進(jìn)制圖像能夠保留這些重要信息，而且這樣可以有效地減少訓(xùn)練過程中的運算量，提升訓(xùn)練效果。

4.2 實驗與評估

本次訓(xùn)練在云處理器中進(jìn)行。使用NVIDIA RTX 2080 Ti圖像處理器（GPU），16內(nèi)存4核Intel（R）處理器（CPU），采用了基于GPU版本的TensorFlow深度學(xué)習(xí)框架。

4.2.1 實驗過程

生成訓(xùn)練網(wǎng)絡(luò)詳細(xì)參數(shù)，見表2。將初始學(xué)習(xí)率設(shè)定為0.001，訓(xùn)練的批次實例數(shù)為16，L1 Penalty權(quán)重為100，Lconst Penalty權(quán)重為15，在經(jīng)過20 epoch后，學(xué)習(xí)效率減半，根據(jù)目標(biāo)字體的不同，將epoch設(shè)置在40～45。訓(xùn)練中生成器與判別器的損失曲線，見圖6。

在完成訓(xùn)練后使用推理漢字集生成預(yù)測數(shù)據(jù)，推理漢字集字符從GB2312漢字字符集中抽取，且已過濾掉了參與訓(xùn)練的字符。分別對5組訓(xùn)練數(shù)據(jù)進(jìn)行推理。5組訓(xùn)練成果的推理生成圖像效果，見表3。

圖6 生成器與判別器的loss曲線

4.2.2 實驗效果分析評估

通過對5組漢字圖像生成效果的觀察可知，每對實驗中的實驗組生成漢字圖像都比對照組的輪廓更清晰、雜點更少、邊緣更平滑。從字體設(shè)計風(fēng)格上看，實驗組在筆畫完整程度、間架結(jié)構(gòu)、風(fēng)格、細(xì)節(jié)等各個方面的效果都優(yōu)于對照組。為了從客觀角度對實驗結(jié)果進(jìn)行定量評價，使用圖像相似性測量方法分別評估實驗組字體圖像與真實字體圖像、對照組字體圖像與真實字體圖像的相似性指數(shù)，見表4。本文使用了SSIM（結(jié)構(gòu)相似性指數(shù)）、FSIM（基于特征的相似性指數(shù)）、PSNR（峰值信噪比）、RMSE（均方根誤差）4種測量方法，見表4。SSIM、FSIM、PSNR的數(shù)值越大則表明生成的虛擬圖像與真實圖像相似性越高；RMSE數(shù)值越小則表明虛擬圖像與真實圖像差異越小、相似性越高。5組結(jié)果中實驗組均在SSIM、FSIM、PSNR獲得更大數(shù)值，而在RMSE獲得更小數(shù)值，進(jìn)一步驗證了采用EG_600字符集的實驗組與真實字體風(fēng)格的相似性要高于對照組。

表2 網(wǎng)絡(luò)詳細(xì)參數(shù)

Tab.2 Network detailed parameters

表3 多風(fēng)格漢字圖像的生成效果對比

Tab.3 Comparison of generation effects of multi style Chinese character images

表4 圖像相似性指數(shù)

Tab.4 Image similarity index

5 結(jié)語

本文針對漢字風(fēng)格遷移的圖像生成問題提出了一種基于直觀漢字構(gòu)形學(xué)的條件生成對抗網(wǎng)絡(luò)字體生成優(yōu)化方法（C3-GAN），該方法是對漢字生成對抗網(wǎng)絡(luò)模型的一次改進(jìn)。C3-GAN在降低訓(xùn)練必要字符樣本數(shù)量的情況下，可以有效提高生成字體與目標(biāo)字體的相似度和準(zhǔn)確度，生成逼真的字體圖像。該方法可以直接應(yīng)用于漢字字庫開發(fā)，為漢字設(shè)計工作提供技術(shù)輔助，進(jìn)而提高漢字字體產(chǎn)業(yè)的生產(chǎn)效率。然而該方法仍有調(diào)整改進(jìn)的空間，有待在未來的研究中繼續(xù)探索。人工智能技術(shù)的發(fā)展將會持續(xù)推動字體設(shè)計產(chǎn)業(yè)生產(chǎn)效率的提高，而創(chuàng)意與審美的主體是人。因此，未來人機(jī)協(xié)同的字體設(shè)計產(chǎn)業(yè)模式的構(gòu)建，離不開技術(shù)的進(jìn)步，離不開文化的支撐，也離不開設(shè)計師對設(shè)計獨創(chuàng)性的堅持與探索。

[1] GOODFELLOW I, POUGET-ABADIE J, MIRZA M, et al. Generative Adversarial Networks[J]. Communi-ca-tions of the ACM, 2020, 63(11): 139-144.

[2] 柴夢婷, 朱遠(yuǎn)平. 生成式對抗網(wǎng)絡(luò)研究與應(yīng)用進(jìn)展[J]. 計算機(jī)工程, 2019, 45(9): 222-234. CHAI Meng-ting, ZHU Yuan-ping. Research and Appli-cation Progress of Generative Adversarial Networks[J]. Computer Engineering, 2019, 45(9): 222-234.

[3] ISOLA P, ZHU Jun-yan, ZHOU Ting-hui, et al. Image- to-Image Translation with Conditional Adversarial Net-works[C]// 2017 IEEE Conference on Computer Vision and Pattern Recognition (CVPR). Honolulu: IEEE, 2017: 5967-5976.

[4] TIAN Yuchen. zi2zi: Master Chinese Calligraphy with Conditional Adversarial Networks[EB/OL]. (2017-08-09)[2022-05-01]. https://github.com/kaonashi-tyc/zi2zi, 2017.

[5] 歐陽詩康. 基于StarGAN模型的多風(fēng)格漢字生成方法研究[D]. 南昌: 江西師范大學(xué), 2019. OUYANG Shi-kang. On Generation Method of Multi- style Chinese Characters Based on StarGAN[D]. Nan-chang: Jiangxi Normal University, 2019.

[6] 任春鷹. 基于生成對抗網(wǎng)絡(luò)的漢字字體生成算法研究[D]. 上海: 華東師范大學(xué), 2020. REN Chun-ying. Research on Automatic Chinese Font Synthesis Based on Generative Adversarial Networks [D]. Shanghai: East China Normal University, 2020.

[7] 陳杰夫. 基于生成對抗網(wǎng)絡(luò)的漢字字體風(fēng)格生成與轉(zhuǎn)換[D]. 成都: 電子科技大學(xué), 2020. CHEN Jie-fu. Generation and Transformation of Chi-nese Font Style Based on Generation Confrontation Network[D]. Chengdu: University of Electronic Science and Technology of China, 2020.

[8] 王曉紅, 盧輝, 麻祥才. 基于生成對抗網(wǎng)絡(luò)的風(fēng)格化書法圖像生成[J]. 包裝工程, 2020, 41(11): 246-253. WANG Xiao-hong, LU Hui, MA Xiang-cai. Generation of Stylized Calligraphic Image Based on Generative Adversarial Network[J]. Packaging Engineering, 2020, 41(11): 246-253.

[9] GF 0014-2009,現(xiàn)代常用字部件及部件名稱規(guī)范[S].GF 0014-2009, Specification for Common Modern Chi-nese Character Components and Component Names[S].

[10] 曉東. 現(xiàn)代漢字部件分析的規(guī)范化[J]. 語言文字應(yīng)用, 1995(3): 56-59. XIAO Dong. Standardization of Component Analysis of Modern Chinese Characters[J] Applied Linguistics, 1995(3): 56-59.

[11] 費錦昌. 現(xiàn)代漢字部件探究[J]. 語言文字應(yīng)用, 1996(2): 20-26. FEI Jin-chang. Research of Modern Chinese Characters Components[J]. Applied Linguistics, 1996(2): 20-26.

[12] 侯冬梅. 通用規(guī)范漢字構(gòu)形屬性研究[D]. 武漢: 華中師范大學(xué), 2017. HOU Dong-mei. Study on Formative Attributes of General Regularized Chinese Characters[D]. Wuhan: Central China Normal University, 2017.

[13] 傅永和. 漢字的結(jié)構(gòu)[J]. 語文建設(shè), 1991(9): 10-11. FU Yong-he. Structure of Chinese Characters[J]. Lan-guage Planning, 1991(9): 10-11.

[14] 劉靖年. 漢字結(jié)構(gòu)研究[D]. 長春: 吉林大學(xué), 2011. LIU Jing-nian. A Study on the Structure of Chinese Characters[D]. Changchun: Jilin University, 2011.

[15] 趙彤. 基于關(guān)系數(shù)據(jù)庫的漢字構(gòu)形分析及其應(yīng)用[J]. 語言文字應(yīng)用, 2015(3): 119-132. ZHAO Tong. Analysis and Application of the Formation of Chinese Characters Based on Relational Database [J] Applied Linguistics, 2015(3): 119-132.

[16] RONNEBERGER O, FISCHER P, BROX T. U-Net: Convolutional Networks for Biomedical Image Segmentation[C]// International Conference on Medical Image Computing and Computer-Assisted Intervention. Cham: Springer, 2015: 234-241.

[17] TAIGMAN Y, POLYAK A, WOLF L. Unsupervised Cross-Domain Image Generation[EB/OL]. (2016-11-07) [2022-08-12]. https://arxiv.org/abs/1611.02200.

C3-GAN Fonts Generation Optimization Based on Intuitive Chinese Character Configuration

QIN Jia-lin1,2, LIU Wei-shang1

(1.Yanshan University, Hebei Qinhuangdao 066004, China; 2.Hebei Design Innovation and Industrial Development Research Center, Hebei Qinhuangdao 066004, China)

The work aims to propose a method for Optimization of Conditional Fonts Generation with Chinese Character Configuration GANs (C3-GAN) of the intuitive Chinese character configuration to improve the image generation quality of Chinese character style transferring with generative adversarial networks, and achieve the practical application of Chinese character intelligent generation in the font industry. An intuitive Chinese character configuration module (C3Module) was constructed, which contained Chinese character sets with all features. It was beneficial to generating an adversarial network for the learning process of semantic features of Chinese character configuration. Performing font generation training with C3-GAN under the model of the conditional generative adversarial network reduced the number of compulsory training samples, and optimized the font generation effect. C3-GAN could generate Chinese characters with higher images definition and more accurate glyphs. In the quantitative evaluation of image similarity, the experimental group using C3-GAN obtained higher similarity values and smaller error values than other models. C3-GAN can reduce the number of compulsory samples, and improve the image quality of Chinese characters. It has certain applicability and operability in practical projects.

generative adversarial networks; Chinese character configuration; artificial intelligence; deep learning; Chinese character font; C3-GAN

TB472

A

1001-3563(2023)10-0193-09

10.19554/j.cnki.1001-3563.2023.10.019

2022–12–02

2023年河北省教育廳人文社會科學(xué)研究重大課題攻關(guān)項目（ZD202327）階段性成果。

秦嘉霖（1994—），女，碩士，主要研究方向為字體設(shè)計。

劉維尚（1979—），男，碩士，教授，主要研究方向為視覺傳達(dá)設(shè)計的跨界應(yīng)用。

責(zé)任編輯：陳作