基于生成对抗网络的字体设计生成研究

张 添雨
首都师范大学美术学院

摘要


生成对抗网络（GAN）作为深度学习领域的突破性技术，为字体设计的自动化与创新提供了新范式。本文
系统梳理GAN在字体生成中的技术原理与研究进展，总结其在风格迁移、字形优化及文化传承中的应用成果，并剖
析当前面临的挑战与未来发展方向。研究表明，GAN通过对抗训练机制能够高效生成多样化的字体样式，但在复杂
汉字结构还原、小样本学习及文化语义保留等方面仍需进一步突破。

关键词


生成对抗网络；字体设计；风格迁移；字形生成

全文:

PDF


参考


[1]Goodfellow I, Pouget - Abadie J, Mirza M, et al.

Generative adversarial networks [J]. Communications of the

ACM, 2020, 63 (11): 139 - 144.

[2]Karras T, Laine S, Aila T. A style - based generator

architecture for generative adversarial networks [C]. CVPR,

2019.

[3]Zhu J Y, Park T, Isola P, et al. Unpaired image -

to - image translation using cycle - consistent adversarial

networks [C]. ICCV, 2017.

[4]Isola P, Zhu J Y, Zhou T, et al. Image - to - image

translation with conditional adversarial networks [C]. CVPR,

2017.

[5]Tian Y. Rewrite: A neural architecture for Chinese

calligraphy style transfer [J]. IEEE Access, 2020, 8: 59468 -

59477.

[6]姚伟健，赵征鹏，普园媛，等.稠密自适应生成

对抗网络的爨体字风格迁移模型[J].计算机辅助设计与图

形学学报，2023，35（06）：915-924.

[7]王存睿，丁阳，刘宇，等.融合笔画语义和注意

力机制的汉字字体生成算法[J].计算机辅助设计与图形学

学报，2022，34（08）：1229-1237.

[8]周益民.中国古籍刻本字形研究[M].中华书局，

2015.

[9]Adobe. 2023年字体设计趋势报告[R].2023.

[10]陈杰夫.基于生成对抗网络的汉字字体风格生成

与转换[D].电子科技大学，2020.

[11]程若然，赵晓丽，周浩军.基于字体特征与多尺

度PatchGAN的中文字体风格转换研究[J].云南大学学报

（自然科学版），2023，45（06）：1228-1237.

[12]俞书世.半监督生成对抗网络及其书法汉字生成

研究[D].宁波大学，2021.


Refbacks

  • 当前没有refback。