Single sample style transfer learning for synthesizing handwriting

Abstract

El yazısı karakter oluşturma, çeşitli uygulamalarla popüler bir konudur. Literatürde birçok karakter oluşturma yöntemi önerilmiştir, ancak bu yöntemlerin çok azı el yazısı karakterler üretirken yazarın stilini korumaya odaklanır. El yazısı stillerini temsil etmek, hem her bir karakterin stilini hem de yazarın genel stilini temsil etme zor luğunu içerir. Bu çalışmada literatürdeki çalışmalardan farklı olarak sınırlı veri ile kişinin el yazısı üslubu çıkarılarak henüz görmediğimiz kişinin karakterleri üretilmeye çalışılmıştır. El yazısı karakterler oluşturulurken, girdi olarak karakterlerin s pline eğrileri ve el yazısı görüntüleri kullanılmıştır. Geliştirilen yöntemde derin öğrenme yöntemlerinden Koşullu Değişken Otomatik Kodlayıcı (CVAE) modeli kullanılarak çok görevli bir öğrenme ağı önerilmiştir. Yapılan deneylerde üç farklı model karşılaşt ırılmış ve spline eğrileri ile eğitilmiş Koşullu Değişken Otomatik Kodlayıcı (CVAE) ağının sonuçlarının diğer modellere göre daha iyi olduğu görülmüştür.Handwritten character generation is a popular topic wi applications. Many methods of character generation have been proposed in the literature, but few of these methods focus on preserving the th a variety of writer's generating style while handwritten characters. Representing handwriting styles involves the c hallenge of representing both the style of each character and the overall style of the author. In this study, unlike the studies in the literature, it is tried to produce the characters of the person that we have not seen yet by extracting the handwriting style of the person with limited data. While tional generating handwritten characters, spline curves of the characters were used as input, as well as handwritten images. In the developed method, a multitasking learning network is proposed by using the Conditional Varia Autoencoder (CVAE) model, which is one of the deep learning methods. In the experiments carried out, three different models were compared, that the results of the Conditional Varia tional and it was seen Autoencoder (CVAE) network trained with spline curves were better than the other models.