향상된 음식 스타일 전환
EMD를 기반으로 한 중국어 글꼴 스타일 마이그레이션
네트워크 :
제한 :
- EMD 모델은 원래 글꼴을 스타일 인코더를 통해 벡터 표현으로 변환합니다. 본질적으로, 그것은 조건부 글꼴 스타일 마이그레이션 네트워크를 훈련시키는 것입니다. 스타일 입력은 조건으로 만 생성됩니다. 이런 식으로 훈련 된 모델은 훈련 세트에 나타나지 않는 스타일 글꼴을 만나면 결과가 매우 열악합니다.
- 반면에 EMD는 고정 된 트리플 글꼴 이미지를 사용하여 훈련을 위해 임의의 글꼴 이미지의 스타일 전송을 어느 정도 해결합니다. 트리플 이미지의 한계로 인해 각 글꼴에는 동일한 글꼴이 필요하며 특정 글꼴의 이미지는 나쁜 결과가 적기 때문에 결과가 필요합니다.
개선:
- 스타일 인코더를 실제 스타일 인코더로 사용하여 결과 스타일을 디코더 네트워크 모듈에 지속적으로 입력하여 알 수없는 스타일의 글꼴 스타일 마이그레이션을 어느 정도 완화시킵니다. 예를 들어, 특별한 경우, 훈련 세트에서 동일한 이미지의 글꼴은 매우 드물며, 이는 원래 모델의 결과를 크게 향상시킬 수 있습니다.
- GAN 손실을 추가하고 각각 두 개의 판별자를 훈련시킵니다. 하나의 판별기는 생성 된 글꼴이 입력 글꼴과 동일한 지 여부를 결정하는 데 사용되며, 다른 판별기는 생성 된 글꼴이 입력 스타일 글꼴과 동일한 지 여부를 결정하는 데 사용됩니다. 동시에, 기존 스타일 상수 특성으로 인해 원래 스타일 정보는 입력되고 반례로 판단됩니다.
- 이 모델은 감독되지 않은 글꼴 스타일 마이그레이션으로 확장되어 생성 된 글꼴을 생성기로 다시 반복하고 반대의 변환을 제한으로 수행 할 수 있습니다.
예 :
참조 :
- 일반화 된 스타일 전송을위한 스타일과 컨텐츠 분리. Yexun Zhang, Ya Zhang, Wenbin Cai.
- 적응 형 인스턴스 정규화로 실시간으로 임의의 스타일 전송. Xun Huang, Serge 소속.
- 생성 적대자 네트워크를위한 스타일 기반 생성기 아키텍처. Tero Karras, Samuli Laine, Timo Aila.
