字體設計與文字編碼
林立森
國立臺北科技大學資訊工程系
TET-GAN: Text Effects Transfer via Stylization and Destylization
AAAI-2019
Shuai Yang, Jiaying Liu,∗ Wenjing Wang, Zongming Guo
Institute of Computer Science and Technology, Peking University, Beijing, China
P.2
01
章節 01
P.3
摘要
P.4
01
章節 01
摘要
Text effects transfer technology automatically makes the text dramatically more impressive. However, previous style transfer methods either study the model for general style, which cannot handle the highly-structured text effects along the glyph, or require manual design of subtle matching criteria for text effects.
文字效果傳輸技術自動讓文字更加令人印象深刻。
然而，先前的樣式轉換方法不是研究一般樣式的模型，就是無法處理字型上的高度結構化的文字效果，或是需要手動設計文字效果的細微匹配標準。
摘要
In this paper, we focus on the use of the powerful representation abilities of deep neural features for text effects transfer. For this purpose, we propose a novel Texture Effects Transfer GAN (TET-GAN), which consists of a stylization subnetwork and a destylization subnetwork.
在這篇論文中，我們專注於使用深度神經特徵的強大表示能力來進行文字傳遞。
為此，我們提出新穎的紋理效果傳輸GAN(TET-GAN)，它由一個程式化子網路和一個目標化子網路所組成。
摘要
The key idea is to train our network to accomplish both the objective of style transfer and style removal, so that it can learn to disentangle and recombine the content and style features of text effects images.
關鍵的想法是訓練我們的網路以實現風格轉換和風格消除的目標，因此它可以學習解開和重新組合內容和文字效果風格特徵圖。
摘要
To support the training of our network, we propose a new text effects dataset with as much as 64 professionally designed styles on 837 characters. We show that the disentangled feature representations enable us to transfer or remove all these styles on arbitrary glyphs using one network.
為了支持我們訓練的網路，我們提出一個新的文字特效資料集，在837個文字上有多達64種專業設計樣式。
我們展示解開的特徵表示讓我們能夠使用我們的一個網路任意字型傳輸或移除所有樣式。
摘要
Furthermore, the flexible network design empowers TET-GAN to efficiently extend to a new text style via oneshot learning where only one example is required. We demonstrate the superiority of the proposed method in generating high-quality stylized text over the state-of-the-art methods.
此外，彈性的網路設計使TET-GAN能夠透過一次性學習有效地擴充到新的文字樣式，其中只需要一個例子。
我們證明了所提出的方法比最先進的生成高質量程式化文字來的好。
圖 / 表
P.10
01
章節 01
我們的TET-GAN實現了兩個功能：去風格化以從文字中刪除樣式特徵，以及用於將視覺效果從高度風格化的文字轉移到其他字形的風格化。
P.11
TET-GAN架構。（a）TET-GAN架構概述。 我們的網路透過自動編碼器、去風格化和風格化這三個目標進行培訓。（b）字形自動編碼器來學習內容功能。（c）透過從文字效果影象中解開內容特徵來去風格化。（d）透過結合內容和風格特徵進行風格化。
P.12
一次性文字效果傳輸。（a）使用者指定的新文字效果。（b）看不見的樣式上的風格化結果。（c）一次性微調後的風格化結果。（d）隨機裁剪樣式影象以生成用於訓練的影象。
P.13
文字特效資料集
分發感知資料增強。（a）原始文字影象。（b）分發感知文字影象預處理的結果。（c）透過著色增強分發感知文字效果的結果
P.14
與各種文字效果的最新方法進行比較
P.15
比較其他一次性監督式風格轉換的方法
P.16
比較其他一次性非監督式風格轉換的方法
P.17
重建損失和特徵損失的影響。
(a)輸入 (b)模型沒有重建損失函數和特徵損失函數
(c)模型沒有特徵損失函數 (d)全模型
P.18
與我們的分發感知資料預處理和增強的結果比較
P.19
使用者互動式無監督樣式傳輸
b,c:微調後，我們的造型和風格化結果
d:由使用者提供的遮罩，其中藍色和紅色區域分別表示背景和前景。
e,f:在遮罩的幫助下，我們的程式化和風格化結果。
P.20
結論
P.21
01
章節 01
結論
In this paper, we present a novel TET-GAN for text effects transfer. We integrate stylization and destylization into one uniform framework to jointly learn valid content and style representations of the artistic text.
這篇論文中我們提出一種創新文字效果傳輸的TET-GAN。
我們將風格化和去風格化整合到一個統一的框架中，以共同學習藝術文字的有效內容和風格表示。
結論
Exploiting explicit style and content representations, TET-GAN is able to transfer, re- move and edit dozens of styles, and can be easily customized with user-specified text effects. In addition, we develop a dataset of professionally designed text effects to facilitate researches.
利用顯示風格和內容表示，TET-GAN能夠傳輸,移除,編輯幾十種風格和可以簡易的自定義使用使用者指定的文字效果。
除此之外，我們開發專業設定字體效果資料集促進研究。
結論
Experimental results demonstrate the superiority of TET-GAN in generating high-quality artistic typography. As a future direction, one may explore other more sophis- ticated style editing methods, such as background replace- ment, color adjustment and texture attribute editing.
實驗結果證明了TET-GAN在生產高品質藝術排版方面的優越性。
作為未來的方向，其他可能會探索更複雜的風格編輯方法，例如背景替換，顏色調整，材質屬性編輯。