pre
title: StrokeGAN: Reducing Mode Collapse in Chinese Font Generation via Stroke Encoding
accepted: AAAI 2021
paper: https://ojs.aaai.org/index.php/AAAI/article/view/16438
code: https://github.com/JinshanZeng/StrokeGAN
关键词：中文字体生成、笔画编码、模式坍塌
阅读理由：先看到StrokeGAN+那篇，同一批作者，顺藤摸瓜摸出来的。虽然在AAAI但是一眼水，准备学习一下怎么水上AAAI，还在武汉大学做过报告这不比辛苦求卡炼丹好多了？
针对问题
当前方法大多基于GAN，而GAN又常会有模式坍塌的问题，尤其是要生成的汉字具有相似笔画时，因而提出这个one-bit的笔画编码
核心思想
在CycleGAN基础上增加了笔画编码（one-bit stroke encoding）。
相关研究
图2 a组成汉字的32个基本笔画 b汉字“译”的笔画
图1 模型生成结果对比，CycleGAN有模式坍塌。
图3 StrokeGAN生成的9种字体样本。有一说一琥珀体生成结果比想象的好，或许这种字体并没那么难生成？
把模型分成抽取特征的（笔画、组件，应该指造字式地将组件拼成新的字，不使用DNN）、使用DNN的（将汉字作为图片，汉字生成当做图片风格迁移去做），一个费时费力，一个有模式坍塌。
看图2，提出那个one-bit编码，然后加个笔画编码重建损失，让判别器根据生成的字预测32位编码。
然后说近来的一些模型也用笔画或组件信息，但它们是抽取笔画或组件再合并，跟本文的32位编码不同。这作者好喜欢very。
然后专门整了一章 Preliminary Work，开始介绍GAN、Conditional GAN、CycleGAN，本科论文水字数的感觉扑面而来。
贡献
- 提出StrokeGAN，使用非配对数据，第一次引入笔画编码并用于训练CycleGAN（然而作者标注的是18年用CycleGAN做汉字生成的一篇论文，而非CycleGAN本身），还有那个损失，减轻模式坍塌，看图1
- 用9种不同的字体验证了模型性能，质量比17年的CycleGAN好多了！还超越了SOTA的zi2zi（17年的SOTA也是SOTA！），图3可以看到生成的样本
重复+啰嗦，字是真的多，真的会写，也是真的懂比较的
方法（模型）流程
Overview
图4 StokeGAN，特意说判别器生成器各有一个，图里生成器G明明就是两个，跟CycleGAN一致
提到模式坍塌是由于去除了鲁棒估计的稀疏偏离模式（removing sparse outlying modes toward robust estimation）。因此一种解决模式坍塌自然的办法就是迫使忠实的条件分布重建，基于笔画编码表示的重要模式。
看图4，就是CycleGAN，第一个G生成目标字体，再分别送入判别器判断真假并预测笔画编码、第二个G去重建源字体。
Stroke Encoding
看图2，汉字不同于一般图片，可以拆分成笔画，于是用长度为32的01串，表示汉字是否包含对应序号的笔画，对笔画位置、数量大小形状等都没有约束。作者认为单纯给出笔画是否存在就够了，可以看图7的实验。
Training Loss for StrokGAN
就三个，生成对抗损失，循环一致性损失，跟本文提出的笔画编码重建损失。继续用very车轱辘他笔画信息的重要性，给出笔画编码重建损失的定义：
\[\mathcal{L}_{s t}(D) = \mathbb{E}_{x,c}[||D_{s t}(G(x)) - c||_{2}]. \tag{3} \]就是计算判别器预测的生成字的笔画编码跟真实笔画编码之间的L2范数。
总损失
\[\mathcal{L}_{s t r o k e g a n}(D,G)=\mathcal{L}_{a d v}(D,G)+\lambda_{c y c}\mathcal{L}_{c y c}(G) +\lambda_{s t}Z_{s t}(D), \tag{4} \]Network Structure
他甚至介绍CycleGAN生成器判别器每层用到的模块，0.5,0.999的Adam，以及两个\(\lambda\)分别取10跟0.18。
实验
实验环境Linux, AMD(R) Ryzen 7 2700x eight-core processor ×16 CPU, GeForce RTX 2080 GPU
数据集
共9个子数据集，手写汉字数据集来自CASIA-HWDB1.1，300人，每人3755个常用汉字，一共3755x300，而本文则是每个字随机选一种，只用到其中3755个样本。
其他数据集根据网上搜集的ttf制作，其实就8个字体，嗯是说8种子数据集（硬要说好像也是），而且每种字体取得字数还不同，总之都缩放到128x128x3。训练、测试集划分为9:1。
指标
- 用HCCG-GoogLeNet计算的内容准确度
- 识别准确度，所有生成样本中人类能认出的比率，随机叫了5个成年中国人去认字再取平均
- 笔画错误率，所有笔画中丢失、冗余的比例
实验结果
表1 StokeGAN跟CycleGAN在9个任务上的性能比较
图5 StrokeGAN生成的样本，从上到下分别是字体 Imitated Song, Shu, Hanyi Lingbo, Huawen Amber 的转换
图6 笔画缺失现象
图7 StrokeGAN对相同笔画编码相似汉字的生成结果
表2 4个模型的对比，前两行百分比，最后一行省略$\times 10^{-2}$
图8 表2实验中4个模型生成的样本
Effectiveness of One-bit Stroke Encoding. 要验证笔画编码有效，看表1，做了9个实验，实际上就是训练了9个模型？因为CycleGAN跟基于它的StokeGAN都不是条件生成模型，每次只能训练两种字体之间的转换。
生成的某些样本看图3和图5，这分数也太接近了，甚至有个还不如CycleGAN，而且只跟CycleGAN对比...
此外看图6，CycleGAN存在的关键笔画缺失也被解决了。
Sufficiency of One-bit Stroke Encoding. 看图7，证明生成的相似汉字辨识度也挺高，这编码足以维持汉字关键模式。？，这个质量真的好意思，且不说没放groundtruth，你这歪歪扭扭缺东少西的生成结果真的能说明问题吗，而且有没有可能提高编码精度还能提升一下性能？
Comparison with the State-of-the-art Methods. 除了CycleGAN还找了 zi2zi、CTT 来比较，都是17年的，说因为配对数据开销很大，又一个very，离了very不会讲话？这里只做Regular Script 到 Shu 的实验，我寻思这不是用ttf直接生成吗，也不用你手动画啊？总之结果看表2、图8
总结
提出了一种有效的汉字生成方法，StrokeGAN，它在CycleGAN上面加了个笔画编码损失。除了汉字字体生成，这种笔画编码的思想也能用于其他深度生成模型，以及其他语言的字体生成上。
此外鸣谢部分写的是 国家自然科学基金 跟 江西省千人计划，真不错。同时全文共出现17次very。
评价
感觉AAAI好像也就这样？还是这篇是漏网之鱼呢，毕竟同是AAAI2021的FontRL就挺好。
全文只有一个小创新点，客观地说，这种笔画编码确实应该会有效，但一方面对比的模型太弱，另一方面数据跟实验都不足，比如没有消融实验，没贴出groundtruth去对比。而且2021了还在搞这种局限性很大的、只能1对1转换的模型。
不说别的，至少找个强点的baseline换上这笔画编码，然后对比下真正的SOTA吧？不然这只能说明能提高CycleGAN的性能，我随便加点别的东西也能提升CycleGAN啊，是不是也能发一篇AAAI呢？总感觉含金量不足。
进一步说，如果把笔画编码扩展为按书写顺序列出各个笔画，包含笔画出现的次数、位置，应该也是个好方向吧？再大胆一点，加上笔画的大小可行吗，比如每个笔画再加上一个[0,1]的数，表示该笔画相对整个字的比例。
全文说到底就是在CycleGAN上加了个笔画损失，而且每个字的笔画是人工标注的还是有现成资源也没说明，如果说这样找了几个17年的模型来对比也能说超过SOTA，发个AAAI，那确实对硬件要求不高了，或许这也是一条发论文的路。
看它仓库有个issue问笔画编码，怀疑上传的代码只是个单纯的CycleGAN，也没有dataloader，但作者并未回应，不过字跟笔画编码的映射倒是有的，在readme里写的另一个仓库
待解明
- 图4挺乱的，源字体图片、生成的结果、笔画编码gt都输入给了D，是想表示计算损失吗，按理说只有生成结果是D的输入啊？
- 只靠一手笔画编码就能上AAAI吗