[发明专利]生成可缩放且语义可编辑的字体表示

说明书

本公开涉及用于利用机器学习方法准确且灵活地生成可缩放且语义可编辑的字体表示的系统、方法和非瞬态计算机可读介质。例如，所公开的系统利用特定的神经网络架构、根据字形生成字体表示代码。例如，所公开的系统利用字形外观传播模型，并且执行迭代过程以根据初始字形生成字体表示代码。此外，使用字形外观传播模型，所公开的系统自动地传播来自字体表示代码的初始字形的外观，以生成与相应的字形标签对应的附加字形。在一些实施例中，所公开的系统将对字形的外观的编辑或其他改变传播到字形集内的其他字形(例如，以匹配所编辑的字形的外观)。

背景技术

现有的硬件和软件平台提供了用于编辑字体以修改尺度、风格和衬线的系统和方法。例如，工程师已经开发了一些利用向量格式来呈现字体的传统字体编辑系统，并且工程师还开发了其他传统字体编辑系统以修改像素空间中的字体。然而，尽管有这些进步，许多传统字体编辑系统继续表现出许多不足或缺点，特别是在准确性和灵活性方面。

例如，许多传统字体编辑系统不准确地编辑字体字形。虽然传统的基于像素的系统提供了跨字形的某种级别的可编辑性(例如，经由风格迁移技术)，但是这些现有系统在放大时仍然劣化(degrade)字形的外观。实际上，在像素空间中表示的字形在增加其尺度(例如，从较小的字形到较大的字形)时并且有时甚至在减小其尺度时损失细节并经历外观上的劣化。此外，一些传统系统在生成字形时未能充分捕捉或复制字体相似处，从而经常生成相对于字形集内的其他字形显得不合适的字形。

除了其不准确性之外，一些传统字体编辑系统在编辑字形时是不灵活的。更具体地，基于向量的传统系统有时比基于像素的系统提供更好的可缩放性，但是仍然要求对字体集中的每个字形进行单独编辑。实际上，为了跨集合中的多个字形维持一致的外观，许多传统系统严格地要求单独地编辑集合中的每个字形(例如，由于传统风格迁移技术的限制)。

发明内容

本公开描述了利用用于生成可缩放且语义可编辑的字体表示的机器学习方法来解决本领域中的一个或多个前述问题或其他问题的系统、方法和非瞬态计算机可读介质的一个或多个实施例。具体地，为了表示字形，所公开的系统利用深度学习生成首创的(first-of-its-kind)字体表示代码。在一些实施例中，所公开的系统通过利用重要性感知的采样和加权损失来训练字形外观传播模型(例如，通过与深度隐函数网络联合训练元网络)来实现针对字体表示的可缩放性和语义可编辑性。此外，基于所生成的字体表示代码并通过利用字形外观传播模型，在某些实施例中，所公开的系统自动地将字形的外观的编辑或其他改变传播到字形集内的其他字形(例如，以匹配所编辑的字形的外观)。通过训练和实现根据本公开的字形外观传播模型，与传统字体编辑系统相比，所公开的系统在字形生成方面展示了改进的准确性和灵活性。

在下面的描述中概述了本公开的一个或多个实施例的附加特征和优点，并且这些特征和优点的一部分将从描述中变得明显，或者可以通过这些示例实施例的实践来了解。

附图说明

本公开通过参考附图以附加的特征和细节描述了本发明的一个或多个实施例。以下段落简要描述了这些图，其中：

图1示出了其中字形生成系统根据一个或多个实施例进行操作的示例系统环境；

图2示出了根据一个或多个实施例的利用字形外观传播模型生成字体表示代码和对应的字形集的概述；

图3示出了根据一个或多个实施例的字形外观传播模型的示例架构；

图4示出了根据一个或多个实施例的生成字体表示代码的示例迭代过程；

图5示出了根据一个或多个实施例的字形外观传播模型的示例训练过程；

图6示出了根据一个或多个实施例的字形集的示例比较；

图7示出了根据一个或多个实施例的缩放字形的示例；

图8示出了根据一个或多个实施例根据部分字形生成完整字形的示例；