一种字体轮廓生成方法和装置与流程

本发明属于计算机视觉领域，尤其涉及一种字体轮廓生成方法和装置。

背景技术：

1、目前，人工智能生成的中文字体技术已取得了巨大的进步，已经可以生成具有一定美感和实用性的字体。对于字体设计行业来说，现代字体格式如truetype和postscript均使用矢量化的图形表示来呈现字形的轮廓。具体而言，轮廓通常由一系列线条或贝塞尔曲线表示，这种表示方法允许将字形按任意所需大小进行缩放并栅格化。

2、然而，目前大部分生成ai生成字体的方法仅止步于用生成式网络模型生成字体图像，该字体图像并未附带字体轮廓数据，要实现完整的轮廓输出通常要再辅之以字体轮廓提取算法实现图像到字体轮廓的提取，从ai生成字体再以字体轮廓提取算法的整个处理链路相对冗长且由于中间环节的存在会带来大量精度损失。

3、基于以上，本技术提供了解决以上技术问题的技术方案。

技术实现思路

1、针对现有技术中ai生成字体未附带字体轮廓数据的场景，本发明提供了一种字体轮廓生成方法，可应用于提取未附带字体轮廓数据的字体，包括以下步骤：

2、步骤s1、获取字体轮廓序列信息；

3、步骤s2、根据所述字体轮廓序列信息生成字体轮廓语义特征序列；

4、步骤s3、根据所述字体轮廓语义特征序列计算得到隐空间序列和字体轮廓序列表征信息；

5、步骤s4、获取扩散模型参数，基于隐空间序列和所述扩散模型参数，计算条件噪声预测模型；

6、步骤s5、基于若干新字体轮廓样本迭代所述条件噪声预测模型，得到隐空间序列去噪模型；

7、步骤s6、获取随机高斯噪声，将所述随机高斯噪声输入所述隐空间序列去噪模型，迭代计算得到隐空间编码序列；

8、步骤s7、根据所述隐空间编码序列，计算得到字体轮廓序列。

9、在本发明的一个优选的实施方式中，步骤s3中包括：

10、步骤s3.1、获取编码器和固定长度编码query，基于所述字体轮廓语义特征序列和固定长度编码query，通过编码器对所述字体轮廓语义特征序列进行编码处理，得到隐空间序列；

11、步骤s3.2、获取解码器，对所述隐空间序列x0进行解码处理，得到字体轮廓序列表征信息；

12、其中，所述解码器采用自回归方式解码。

13、在本发明的一个具体实施方式中，步骤s3的编码、解码步骤包含内容重建损失和渲染感知损失，其中，

14、内容重建损失计算公式为：lr＝lcls+lpos，lpos为坐标信息的回归损失，lcls为离散信息的分类损失，式中表示解码器模型预测得到的坐标预测，为输入数据的真实坐标，表示解码器模型在的类别预测，yi,l则为输入数据的真实类别，nseq为字体轮廓语义特征序列的长度，i指字体轮廓语义特征序列长度索引，j指字体轮廓语义特征序列维度索引，k指字体轮廓语义特征序列维度值，l指整体损失函数；

15、渲染感知损失计算公式为：表示根据解码器输出的参数作可微渲染后输出的图像，解码器的输出结果中的坐标信息为x，类别信息为p，上标θ用于表示解码器的输出和实际真实序列；f(·)指采用卷积神经网络提取图像的视觉特征。

16、在本发明的一个具体实施方式中，所述步骤s4包括：

17、步骤s4.1、随机抽取扩散序号t，计算t对应的扩散系数t为正整数；

18、步骤s4.2、对隐空间序列信息进行扩散加噪计算。

19、在本发明的一个具体实施方式中，所述步骤s4中，

20、扩散系数的计算公式为：

21、扩散加噪的计算公式为：∈为一随机高斯分布，t为总的扩散步数，s取0.008，t≤t。

22、在本发明的一个具体实施方式中，所述条件噪声预测模型∈θ的训练步骤包括：

23、步骤a1、搭建条件噪声预测模型∈θ并初始化条件噪声预测期模型参数；

24、步骤a2、获取扩散加噪后的隐空间序列xt、实际字体风格id对应的风格编码向量zs和内容id对应的内容编码向量zc，将加噪后的隐空间序列xt、风格编码向量zs和内容编码向量zc输入所述条件噪声预测模型∈θ；

25、步骤a3、条件噪声预测模型∈θ输出预测结果∈θ(xt,zt,zs,zc)，zt为扩散模型时间步编码向量；

26、步骤a4、根据预测结果∈θ(xt,zt,zs,zc)，计算预测损失，并根据预测损失函数做梯度下降处理，并更新条件噪声预测模型∈θ，其中，预测损失函数为l＝||∈θ(xt,zt,zs,zc)-∈||2。

27、步骤a5、依次循环步骤s3.1、步骤s3.2、步骤a2、步骤a3、步骤a4，直至条件噪声预测模型∈θ收敛，得到训练完成的条件噪声预测模型∈θ。

28、在本发明的一个具体实施方式中，步骤s5还包括：

29、步骤s5.1、获取随机初始化风格向量参数zs’、字体轮廓数据训练集和新字体轮廓数据，所述新字体轮廓样本为用户输入的字体样本对应的字体轮廓样本，字体样本相对于该字体的全部字符而言数量较小；

30、步骤s5.2、对随机初始化风格向量参数zs’、字体轮廓数据训练集和新字体轮廓样本数据执行步骤s3计算，得到混合输入数据x0’和隐空间序列xt’；

31、步骤s5.3、以混合输入数据x0’和隐空间序列xt’为条件噪声预测模型∈θ'输入，循环步骤a3-a5对条件噪声预测模型∈θ'进行微调，直至条件噪声预测模型∈θ'收敛，得到隐空间序列去噪模型。

32、在本发明的一个具体实施方式中，步骤s6还包括：

33、执行t次条件降噪循环计算，所述条件降噪循环计算为：其中，βt为该扩散步的方差参数，其值由扩散系数计算得出：得到隐空间编码序列

34、在本发明的一个具体实施方式中，步骤s7包括：

35、将隐空间编码序列输入解码器，通过解码计算获得轮廓字体序列。

36、本发明还提供一种字体轮廓生成装置，包括：

37、获取模块，用于获取字体轮廓序列信息；

38、轮廓特征主干模块，用于根据所述字体轮廓序列信息生成字体轮廓语义特征序列；

39、编解码模块，根据所述字体轮廓语义特征序列计算得到隐空间序列和字体轮廓序列表征信息，根据隐空间编码序列，计算得到字体轮廓序列；

40、扩散模块，获取扩散模型参数，基于隐空间序列和所述扩散模型参数，计算条件噪声预测模型；

41、微调模块，基于若干字体轮廓参数迭代所述条件噪声预测模型，得到隐空间序列去噪模型；

42、字体轮廓扩展模块，获取随机高斯噪声，将所述随机高斯噪声输入所述隐空间序列去噪模型，迭代计算得到隐空间编码序列。

43、本发明能够带来以下至少一种有益效果：本发明提出的字体轮廓生成方法和装置基于隐空间序列，不需要使用字体轮廓提取算法对整套字体中的全部字体进行提取计算，只需要对完成训练的条件噪声预测模型进行微调，就能够根据小部分的轮廓数据样本生成完整的整套字体对应的矢量化字体轮廓，实现快速的整套字体的字体轮廓生成。