同樣娛樂化，還有低俗化。目前對文字的曲解導致很多褒義詞變成了貶義詞。用很多原本高雅的詞彙去形容下流的東西…

堪比取色器！多種文字風格隨意複製

畫圖軟體中的取色器很多人都用過，“吸管”吸一下就能複製你想要的顏色，然後就可以把這個顏色用到任何你想要改變的素材中：

現在，文字的風格也能實現這樣的“一鍵複製”了！

最近，西班牙的研究人員成功實現了影象中文字區域的風格遷移（Selective Style Transfer for Text）：

一張帶有文字的照片+一張文字風格鮮明的照片

就能輕鬆地改變原來圖片中的文字風格：

（顏色、字型都發生了變化）

甚至，用這種方法還能模仿別人的筆跡：

這是一個人（稱為A）手寫文字片段的照片：

這是另一個人（稱為B）手寫的另一段文字的照片：

將A寫的這段文字變換為B的風格，A寫的這段文字就變成了下面這樣的效果：

這種針對影象中的文字進行風格遷移的任務叫做選擇性文字風格遷移（Selective Style Transfer for Text）：首先，自動檢測影象中文字所在的區域，然後將新的文字樣式應用到該區域，影象中的非文字部分保持不變。

有兩種方法都實現了不錯的文字風格遷移效果：兩階段法和端到端法Two-stage兩階段法

1）首先根據源風格影象（上圖中的Source Style Image）將整幅影象（上圖中的Source Content Image）風格化；

2）利用TextFCN文字檢測器確定影象中的文字區域，並計算該影象區域畫素級的熱圖。為了讓最終生成的影象只改變文字區域的風格，將原始影象和使用TextFCN熱圖加權的風格化影象進行混合。

這種方法可以獲得逼真的文字風格化影象，並確保非文字區域保持不變。

End-to end端到端法

在深度學習中，端到端指的是輸入原始資料，輸出的是最後的結果，中間的一系列操作都在神經網路內部進行，不必分模組進行處理（可以把中間的神經網路當作黑盒子）。

受到“蒸餾策略（distillation strategy）”的啟發，這項研究提出了一個新的端到端網路架構（“蒸餾”的基本思想是將能夠解決不同任務的各種網路學習到的資訊傳遞到一個模型中）。

將影象風格轉換網路（image style transformation network）與文字檢測器結合起來，利用預訓練的影象風格轉換網路和文字的真實註釋來訓練一個隨機初始化影象轉換網路（上圖中的Selective Style Transfer），損失函式為均方誤差損失（mean squared error loss）。

影象中的文字風格遷移在藝術設計和學術研究中都能發揮作用：使用這兩種方法實現文字風格遷移，可以得到充滿設計感的照片，設計師能快速地找到一個場景適合的文字風格：（在上面兩幅圖中，左側這一列的影象“複製”了頂端兩張小圖的文字風格，生成了變換風格後的影象）

一些帶有複雜背景的文字風格也能完美複製到別的場景中：

使用文字風格遷移，可以輕鬆切換不同的列印字型（machine printed text）風格。利用這種特點，在文字識別任務中，可以將影象中任意風格的文字轉換為統一的風格，減少識別步驟。這種方法還是一種非常好的資料增強工具，可以增加文字的多樣性（同一段文字，不同的字型、顏色等屬性），提高文字檢測模型的效能。

送上原文地址：Selective Style Transfer for Text，詳細的技術實現可以參考文章中的介紹。這項研究借鑑了當下非常火熱的影象風格遷移使用的方法，你也可以去研究一番具體是如何借鑑的。

影象風格遷移

更多好玩的科技知識可關注