pre
title: SE-GAN: Skeleton Enhanced GAN-based Model for Brush Handwriting Font Generation
accepted: ICME 2022
paper: https://arxiv.org/abs/2204.10484
code: none
亮点：毛笔、书法、skeleton
针对问题
毛笔手写体字体（brush handwriting font）生成
核心思想
简单来说就是通过抽取、生成skeleton，并将其加入损失项来提高模型性能。
具体点，从训练图片X根据非神经网络方法抽取骨架（skeleton），再分别用编码器抽取相应特征，设计一个自关注的精炼注意力模块（self-attentive refined attention module, SAttRAM），融合原图特征跟skeleton特征进而生成字形Y，同时还有个预训练好的SkeletonGAN根据Y生成对应skeleton并拿去跟最初抽取的那个计算损失
相关研究
中国书法（chirography）的风格可以被定义为skeleton结构跟笔画风格。骨架包含字符的基础信息，如笔画的组合跟位置，书写方向等等。而笔画风格代表骨架形变，如粗细、形状、书写力度（writing strength）等。
大部分字体生成研究者都着眼于标准打印字体合成（Standard Print Font Generation (SPFG)），对于毛笔手写体生成（Brush Handwriting Font Generation (BHFG)）研究比较少。
图1 SPFG跟BHFG图解
如图1所示，BHFG难多了。skeleton持有的结构信息对于识别某个字很重要，使得即便风格不同也能认出字来，但大部分SPFG方法都忽视了skeleton的重要性。
Image-to-Image Translation
介绍Pix2pix, CycleGAN，StarGAN。U-GAT-IT验证了注意力模块在image translation任务上的有效性，引导模型更注重于不同域之间更重要的区域。这种用于逐像素转换的，只适合源图跟目标图形变部分很少，无法直接应用于字体生成任务。
Chinese Font Generation
大部分之前的工作都把字符图片生成当做image translation任务。介绍了Zi2zi跟其他几个只标注了论文序号没有名字的模型，而且比较早。
总之介绍了该领域模型的发展，从使用配对数据到非配对，然后加入循环一致性损失，分离分离内容跟风格。还有一些做多风格字体生成、多阶段（multi-stage）模型。
说大部分工作的源/目标风格或形状都非常相似，都集中在处理SPFG问题。
贡献
- 为BHFG提出新的端到端SE-GAN，设计自关注的精炼注意力模块（self-attentive refined attention module, SAttRAM）去抽取并融合来自源图片跟skeleton图片的特征
- 在六种字体上做了大量实验，验证了SE-GAN相对于强baseline的有效性（作者讲的）
- 开源了个大规模字体图片数据集
方法（模型）流程
Overview
作者为BHFG提出了一种新的端到端 Skeleton Enhanced Generative Adversarial Network (记为 SE-GAN)，可以处理不同风格中巨大的几何差异。
图2 SE-GAN架构，包括转换网络，两个判别器跟一个辅助skeletonGAN网络
图2展示了带两个编码器的框架：图片编码器\(E_i\)跟skeleton编码器\(E_s\)，都由4个残差块组成（图中一开始的渐变橙黄色等腰梯形）。
SRAM, CRAM是SAttRAM的两个变体，顺序堆叠来抽取skeleton增强的（skeleton enhanced）图片表达。
生成器（应该指的是黄色的解码器）接收精炼的图片表达，生成目标风格图片。
上方的第一个判别器\(D_i\)用于判断生成图片跟目标图片（经典款），下方的\(D_s\)判断生成图片的skeleton跟目标图片的skeleton是否一致。
skeleton抽取算法来自论文《A Fast Parallel Algorithm for Thinning Digital Patterns》 (IPCV, Image Processing and Computer Vision, 1984)，即Zhang-Suen细化算法 / 张-孙细化算法。
通过对二值字符图片迭代进行腐蚀（erode）和膨胀（dilate），简单有效地抽取出skeleton
Self-attentive Refined Attention Module
CAM在图片生成跟分类任务中，局部化输入图片的重要区域很有效，作者用于抽取字体生成任务中风格明确（style-discriminative）的注意力热力图。
为了获得风格明确的特征\(M(x)\)，将源字体x解码的特征图\(F(x)\)喂入分类器做域的分类，分类器是一个带权重\(\Omega\)的全连接层。对所有通道计算线性加权和能得到CAM的注意力热力图：
\[M(x)=\sum_{c=k}^{C}\Omega_{k}F(x)_{k} \tag{1} \]其中\(\Omega_{k}\)表示最后一个卷积层特征图中的第k个通道的权重。
但CAM缺少空间注意力，而且对于特征捕获会有过度We design two discriminators for learning target font s激活的问题（over-activation issues）。而且很难用一个CAM模块融合多模态特征。
图3 SAttRAM，两个变体的输入不同
因此提出了图3中的SAttRAM，将自注意力用作一种有效的模块，通过捕捉空间依赖来精炼（refine）逐像素的注意力热力图，精炼后的特征图如下：
\[\hat{M}(x)=f(F(x),F(x))g(M(x))+M(x) \tag{2} \]\[f(F(x),F(x))=\sigma(\theta(F(x))^{T})\phi(F(x))) \tag{3} \]f是一种成对的嵌入函数，计算特征空间中点积像素亲和度（affinity）作为自精炼（self-refined）注意力权重，最后通过softmax函数\(\sigma\)归一化。
总之公式3大概指的是图3左上角那两个1x1 conv，最终得到一个特征图
函数g将特征进行reshape，再根据f函数给出的相似度权重重新汇聚。图3中左下角的分支应该是先根据公式1计算M(x)，再根据公式2计算出最终的\(\hat{M}(x)\)
俩变体self-refined attention module (SRAM) 和 the cross-refined attention module (CRAM)，似乎对应了自注意力跟跨注意力，作者说是为了处理多模态输入特征。
SRAM捕捉输入图片的信息，CRAM捕捉模态间的交互，也就是输入图片特征\(x_i\)跟skeleton特征\(x_s\)之间的，可以进一步精炼特征图：
\[\hat{M}(x_{i},x_{s}))=f(F(x_{i}),F(x_{s}))g(M(x_{i}))+M(x_{i}) \tag{4} \]公式4里字符编码特征被函数g嵌入残差空间，f代表\(x_i,\; x_s\)之间的像素级特征汇聚
通过CRAM将skeleton特征跟原图片特征混合在一起，但怎么知道要把风格变成什么样？（后面一看好像目标风格是固定的，想要其他风格得重新训练）
Discriminators
设计了两个判别器学习目标字体风格，Overview提到的那两个\(D_i,\; D_s\)。由于骨骼化（skeletonization）是不可微的，于是用预训练的skeleton-GAN来生成字符图片的相应skeleton。
这块利用额外的GAN根据字形图片(\(Real Y_t,\; Fake Y\))生成skeleton，判断主生成器生成的Fake Y的skeleton是否正确。整个流程skeleton从抽取、注入，再生成并用于约束生成结果，感觉是通过专门处理skeleton来告诉模型注意字形的内容跟结构。
作者提及skeletonGAN就是一个CycleGAN，没使用SAttRAM，因为骨骼化比生成字形简单。
同时\(D_s\)也能防止SE-GAN过拟合。
Loss Design
内容损失包含两部分：像素损失\(L_{pix}\)，迫使生成的图片\(G_F(X_i, X_s)\)相似于目标图片\(Y_t\)，以及骨架一致性损失\(L_{sc}\)，确保骨架一致性，下面SG是预训练的skeletonGAN：
\[L_{p i x}( G_{F}) = \mathbb{E}_{X} [|| G_{F}( X_{i}, X_{s}) - Y_{t} | |_1] \tag{5} \]\[L_{s c}(G_{F},S G)=\mathbb{E}_{X}[||S G(G_{F}(X_{i},X_{s}))-S G(Y_{t})||_{1}] \tag{6} \]循环一致性损失\(L_{cycle}\)就是CycleGAN论文的原始版本。
然后为了区分图片\(X_i\)属于源/目标风格\(y_{cls}\)并促进精炼注意力模块的风格转换，引入U-GAT-IT里的CAM loss，这里叫作\(L_{adv}\)
对抗损失\(L_{adv}\)自然也是分成字形\(D_{i}\)跟骨架\(D_{s}\)两部分：
\[L_{D_{i}}(G_{F},D_{i})=\mathbb{E}_{Y}[l o g D_{i}(G_{F}(X_{i},X_{s}))] \\ +\mathbb{E}_{X}\,\lbrack{l o g}(1-D_{i}(G_{F}(X_{i},X_{s})))\rbrack \tag{7} \]\[L_{D_{s}}(G_{F},D_{s})=\mathbb{E}_{Y}[l o g D_{s}(Y_{s})] \\ +\ \mathbb{E}_{X}[l o g(1-D_{s}(SG(c_{F}(X_{i},X_{s}))))] \tag{8} \]最终这些损失根据\(\lambda_i\)加权成完整的目标函数：
\[\min_{G_F,G_B,RAM_p} \max_{D_1,D_2} \lambda_{1}L_{a d v}+\lambda_{2}L_{c y c l e}+\lambda_{3}L_{c l s}+\lambda_{4}L_{c o n} \]实验
数据集
提出了个大规模的毛笔手写字体图片数据集，六种字体，15,799张高分辨率图片。每个子集的尺寸从1,419到3,958。
实验中按照8:1:1比例将每个子集分为train/dev/test集。源域选择标准打印字体Liukai，分别将六种字体作为目标域（这样岂不是要训练六次？，无法自由地更换转换目标啊）
指标
内容准确度Acc跟Frechet Inception Distance (FID)
表1 字体图片生成上的评估 Acc表示字符识别的内容准确率（DF-Font标错了，应该是DG-Font）
实验结果
表2 数据集中六种字体的统计数据
跟四个有代表性的生成模型对比，zi2zi, CycleGAN, StarGAN, 和 DGFont，见表1。
得分其实不算很突出，比较毛笔字还是很难模拟的，对比的baseline并不算强，前两个是很早的东西，StarGAN并非专用于字体生成，DG-Font也更突出可变形卷积的使用，在自己的论文中得分也不算高。
统计数据见表2（文章里讲的是看表1）
Quantitative analysis.
下面吹嘘了一番自己的模型。甚至DG-Font一直拼成DF-Font（本文后续均进行改正），说它内容准确度高，因为生成结果变化不大，跟输入很像，因此FID也比较低。
图4 不同baseline跟SE-GAN生产的样本比较
Qualitative analysis.
看图4，SE-GAN的样本更好辨认，书法风格更加一致。然后挑了些其他baseline的错误，但总觉得这SE-GAN也就略好一些，还是有很重的原图气息，虽说懂得加上一些连笔。
Ablation Study.
去掉了skeleton输入、skeleton判别器，见表1。去掉这俩准确度有所下降，证明skeleton有用。同时去掉后还能超越CycleGAN，说明SAttRAM有用。
图5 (a)消融模型生成的样本 (b)不同注意力模块的可视化
如图5(a)所示，缺少skeleton会导致笔画残缺或过分夸大，去掉\(D_s\)一些组件就会混在一起
看图5(b)，SRAM 和 CRAM 比 CAM 更少出现过激活（over-activations），同时覆盖范围更完整。CRAM学到的字体形状比SRAM更加准确，验证了skeleton的作用
表3 不同模型的用户调查结果
User Study.
两种用户调查，跳过DG-Font因为它在表1中表现不好（但感觉还是比zi2zi强吧，甚至觉得是放进去会在用户调查中超越SE-GAN）。叫了60个3年书法经验的美术生参加，表3可以看到本文的模型最好
表3两行分别是那两个实验：用户偏好分数、跟人书写的样本混在一起让受试者挑选好看的（应该是被选中的几率）
总结
提出了毛笔字生成的SE-GAN，加入了skeleton信息，设计两个编码器、新的自注意力模块，还有skeleton判别器。实验表明模型超越了几个强baseline（尬吹，那几个哪能算得上强啊），然后说将来计划探索预训练image tranlation模型的使用（这不早就被人做光了吗，从zi2zi的pix2pix到最近的FUNIT，感觉终归不如专为字体生成任务设计的模型，还是说继续探索替换的是skeletonGAN？也说不通吧，明明说不需要太复杂的）
评价
其实感觉挺水的，看着skeleton点进来的，没有想象中的效果，效果可能不如FontRL，文章倒是挺清晰，有一些细节错误
将skeleton加入自己的模型中加强对连笔的学习
待解明
SAttRAM模块看着跟自注意力真挺像，为什么不能直接用呢？
标签：based,skeleton,Generation,生成,GAN,字体,SE,图片 From： https://www.cnblogs.com/Stareven233/p/16979438.html