[发明专利]基于平均模式生成对抗网络的书法字体创作方法

权利要求书

1.一种基于平均模式生成对抗网络的书法字体创作方法，其特征在于，包括以下步骤：

步骤1：获取待训练数据集，对数据集中的图像进行尺寸处理得到图像尺寸统一的训练集；对训练集进行多次下采样计算，得到各层级网络处理的特征图尺寸；

步骤2：按照各层级特征图的尺寸逐层构建对应尺寸的生成器和判别器，级联各层级的生成器，在每层级的生成器上连接对应尺寸的判别器；

所述按照各层级特征图的尺寸逐层构建对应尺寸的生成器和判别器，其中每层生成器的结构包括输入的随机噪声、线性插值后的上一层生成结果、卷积模块、纯卷积层和使用tanh作为激活函数的激活层，随机噪声和线性插值后的上一层生成结果加和后依次输入卷积模块、纯卷积层和使用tanh作为激活函数的激活层，输出结果和线性插值后的上一层生成结果加和作为生成器的输出；所述卷积模块包括输入特征图，一个卷积核为3×3、跨度为1、通道为d的卷积层，一个批规范化层和一个使用Leaky ReLU作为激活函数的激活层；

每层级的生成器对数据的处理过程为：

其中表示在当前层生成器内部从第一个卷积模块到最终使用tanh作为激活函数的激活层的过程，表示当前层生成器所生成的图像，ε表示噪声率，z_i表示该层的随机噪声图，br(·)表示双线性插值是缩放过程，n为生成器的总层数；

其中每层判别器的结构包括用于接受来自生成器生成的图像或是真实数据集的图像的输入层、连续的四个卷积模块和一个纯卷积层；

判别器的输出值R的计算公式为：

其中F(i,j)为特征图，特征图的尺寸为h×w×1；

步骤3：构建各层级生成器的损失函数和判别器的损失函数，在每层级上构建Adam优化器并对每层级的生成器、判别器、生成器的损失函数和判别器的损失函数进行权重优化，得到模式平均的图像生成对抗网络的初步模型；

生成器的损失函数LossG_i的计算公式为：

其中LossG_i为第i级生成器的生成损失，表示第i级生成的假图像，X_i表示真实图像缩放到第i级尺寸的图像；α是一个预先设定的超参数；rec(·,·)表示一致性损失函数；

对于单幅图像和x∈X_i而言，一致性损失函数的计算公式为：

其中是生成的图像与真实图像的均方差损失，计算公式为是生成图像和真实图像的边缘结构性损失，计算公式为其中sobel_dx(X)表示沿x方向的sobel算子作用后的图像；sobel_dy(X)表示沿y方向的sobel算子作用后的图像；

判别器的损失函数LossD_i的计算公式为：

其中LossD_i为第i级判别器的损失，X_i表示真实图像缩放到第i级尺寸的图像，表示第i级生成的假图像；GP(·,·)为梯度惩罚；

步骤4：使用训练集对模式平均的图像生成对抗网络的初步模型进行训练，得到训练完成的模式平均的图像生成对抗网络模型；

步骤5：选取汉字的不同字体样本输入训练完成的模式平均的图像生成对抗网络模型中，输出得到新的字体样式。