小丑西瓜9

这个屌丝很懒，什么也没留下！

热门标签

CVPR 2022 | 基于GAN生成文字LOGO布局

作者：小丑西瓜9 | 2024-03-24 05:15:56

踩

logo生成机器学习论文

来源：CSIG文档图像分析与识别专委会

本文简要介绍CVPR 2022录用的论文“Aesthetic Text Logo Synthesis via Content-aware Layout Inferring” 。该论文旨在探究文字标识图像设计过程中的布局自动生成问题。该论文基于条件式对抗生成网络（conditional-GAN），提出双判别器结构和可微分拼接模块，根据输入文字的视觉和语义信息，推理得到每个字形的布局几何参数，从而合成文字标识图像。该方法可以辅助平面设计和其他与文字相关的视觉任务。该工作相关数据集和代码已经开源（见文末）。

研究背景

文字标志（Text Logo）的设计非常依赖于设计师的创意和经验，其中，如何安排每个文字元素的布局是一个核心问题。布局设计需要考虑到很多因素，如字形、文字语义、主题等。如图1所示，不同的文字之间通常不能有形状重叠；中文标识中换行或换列通常在词元（Token）之后；对于要强调语义的文字，通常使用较大的尺寸；斜切和旋转等几何变换可以分别体现力量感和欢乐感等主题。业内现有的方案大多是设计一套易于执行的规则，按照一些预先设定好的模板来设计布局，但是生成的结果往往会比较单调且缺乏创意和美感。针对这个问题，本论文提出了一种内容感知的文字标志图像生成模型，从大量现有的文字Logo中隐式地学习布局设计规则，从而能够对任意输入的字形生成新的Logo。

图1 文字标识图像中常见的布局类型

数据集

训练AI模型通常需要大量的数据，然而业内尚不存在针对该任务的数据集。为了解决该问题，本文提出了TextLogo3K数据集，借助腾讯视频平台，收集、标注了3,470张精心挑选的文字Logo图，这些Logo来源于电影、电视剧和动漫的封面图。如图2和图3所示，该数据集对字形进行了像素级别的精准标注，也标注了字形包围框、字符类别。

图2 TextLogo3K中Logo图像的标注

同时，它们在原海报图片中的位置和分割信息也一并提供：

图3 TextLogo3K中海报图像的标注

该数据集免费提供给用户做学术研究使用（禁止任何商业用途）。除了文字Logo生成，该数据集同样可以应用于文本检测和识别、艺术字体生成、纹理特效迁移、场景文字编辑等任务。

模型设计

3.1 流程框图

本模型的流程框图如下图所示：

图4 本文模型流程框图

本模型基于Conditional GAN来生成文字Logo，创新性地使用双判别器结构（序列判别器和图像判别器），对字形的轨迹序列和整体Logo图像分别做判别；同时借助可微分拼接(Differentiable Composition)，构建位置坐标到Logo图像的可微分渲染过程。其主要的流程包括：

首先利用输入元素的双模态的特征（即字形视觉特征和文本语义特征），将其编码成条件特征。
坐标生成器采用条件特征和一个随机噪声作为输入, 为每个字符预测位置坐标，即字形外接框的中心点坐标，宽和高。
每个字符的位置坐标形成一条轨迹序列，故采用一个序列判别器去根据条件对序列和做真假判别。注意到本任务中坐标值是连续的，保证了序列判别器可以传播梯度。
通过可微分拼接,合并每个字形得到的Logo图像。
引入图像判别器，作为序列判别器的补充，目的是进一步捕捉到标志图像的细节信息，保证不同的字形之间不会有较大的重叠，字形间距合理等。

网络的整体优化目标函数如下：

其中，是序列判别器损失，是图像判别器损失，是显式的字形重叠损失（详情见论文）。E代表条件编码器，G代表坐标生成器，分别代码表序列判别器和图像判别器。其中，可微分拼接和双判别器的具体技术细节在后续小节进一步介绍。

3.2 可微分拼接

在获得预测的几何参数之后，需要进一步将每个字形图像按照这些几何参数拼接成一个文字Logo。更重要的是，这个拼接过程必须是可微分的，以让整个模型可以端到端地被优化。为了达成这个目的，本文设计了一个基于STN（Spatial Transform Networks）变种的可微分拼接方法。在原始的STN中，仿射变换参数是使用神经网络直接直接预测。本文方法先预测得到了目标字形位置坐标，于是先建立原坐标到目标坐标的映射关系（下图左），手动解出仿射变换的参数（下图右）。通过这种方式，既可以保证目标字形的位置坐标在画布的范围之内，又可以利用STN的可微分采样算法。

图5 显式求解仿射变换参数

通常来说，在文字Logo中不同字形之间不会有重叠（有一些故意的设计除外），因此不需要考虑每个字形之间的图层关系。如图6所示，将每个字形变换的图像直接进行加法操作，即可得到Logo图像，结合上述步骤，可微分拼接的整体过程都是可微分的。

图6 根据求解参数合成Logo图像

3.3 双判别器结构

字符的放置轨迹应该既符合人们的阅读习惯，又呈现出多样的风格。然而，这两个特性不容易被图像生成模型中常用的卷积神经网络（CNNs）所捕获到。为了解决这个问题，本文设计了一个双判别器的模块，包括一个序列判别器和一个图像判别器。序列判别器以条件特征作为初始状态，将几何参数的序列作为输入，去分析这个放置轨迹的合理性。

序列判别器并不能够捕捉到细粒度的信息（如笔画等），因为它仅仅接收几何参数作为输入。于是，本模型引入图像判别器去进一步探究Logo图像（人工设计的或者本模型生成的）的合理性，并预测它们的真假。根据业内的常见做法，将条件特征进行堆叠再放置到的第一个卷积层之后，用作判别条件。

实验

4.1 布局生成结果展示

如图7和图8所示，本模型可以生成英文Logo图，也可以生成中文Logo。

图7 本模型在英文数据集上结果

图8 本模型在中文数据集上结果

其中，“Ours”所在列表示本模型生成结果，“GT”表示设计师设计的结果。本模型生成的布局具有丰富的多样性：在英文结果里：（1）使用多行风格的布局，如“Welcome TO OUR HOMe”；（2）使用尺度变换起强调作用，如“POSTER HOUSE CAKE 8”中的数字“8”；（3）比较和谐的平移效果，如“Be Kind”。在中文结果里：（1）根据具体字形安排布局，如“B+侦探”中，将“+”号巧妙地安排到“B”右下角和“侦”左下角之间；（2）根据语义进行换行，如“神探包青天”和“春风十里不如你”。

4.2 与其他方法对比

本文与2D图形布局生成工作LayoutGAN[1]和LayoutNet[2]进行了对比，这两种方法没有考虑到空间布局上的序列信息，以及输入元素的自身本文语义信息，所以不能很好地处理该任务。如图9所示，本模型生成了更好的结果。

图9 与现有方法对比

4.3 布局风格分析

通过主成分分析方法（PCA），对隐空间噪声z进行了可视化实验，结果展示在图10中。结果发现，（1）垂直的布局（B2, C2, H2, E3）倾向于落在平面的左边；（2）水平的布局（A1-E1, H1, G2）倾向于落在平面的中间和上方；（3）多行的布局（A2, D2, E2, F2）倾向于落在平面的右下方；（4）不规则的布局（F1，G1）倾向落在平面的边缘。隐空间噪声z和输入文本的长度变量是正交的。该可视化方法可以引导设计师探索布局风格的隐空间，帮助他们挑选喜欢的风格。

图10 隐空间噪声z的可视化结果

4.4 主观评价

本文开展了一项用户调查，用于收集用户对于本模型生成结果的主观评价，用户群体包括27个专业设计师和52个其他职业者。使用了20对测试图片（模型生成和人工设计的），让用户（1）选择哪个是AI生成的：下表中的“准确率”表示用户挑出本模型结果的概率，越低越好；（2）选择自己更倾向于哪个：下表中的“选择率”表示用户选择本模型结果的概率，越高越好；（3）给AI生成的质量打分（1-5）：体现为下表中的“生成质量”，越高越好。从结果可以看出本模型取得了不错的效果，平均准确率接近50%，平均选择率40%。我们也观察到设计师群体更容易鉴别出AI结果，对质量要求也更苛刻，说明本工作还有进一步提升的空间。

表1 主观调查结果

4.5 Logo图生成系统

受字体生成模型和纹理迁移模型的启发，本文也建立了一个全自动的文字Logo图生成系统。该系统首先根据用户输入的文本和主题生成对应的字体，接着，将合成的字形图像和文本送到本文提出的布局生成网络中，得到字形摆放的布局，最后使用纹理迁移模型得到修饰后的Logo图像。图11展示了一些合成的样例,证明了本系统的有效性。

图11 Logo图像生成系统

结论

本文提出了一种用于合成文字Logo图的布局生成模型。该模型创新性地提出了一个双判别器的模块，用于同时评估字符的放置轨迹和渲染后文字Logo图的细节信息。同时，本文提出一种可微分拼接的方法，构建了布局参数到文字Logo的可微分渲染过程。本文构建了一个大规模的数据集TextLogo3K，并实施大量实验来验证模型的有效性，该数据同样可以应用于其他任务，如文本检测与识别、艺术字体生成、纹理特效迁移等。

相关资源

论文: https://arxiv.org/abs/2204.02701

数据集和代码: https://github.com/yizhiwang96/TextLogoLayout

参考文献

[1] Li, Jianan, et al. LayoutGAN: Generating Graphic Layouts with Wireframe Discriminators.International Conference on Learning Representations. 2018.

[2] Zheng, Xinru, et al. Content-aware generative modeling of graphic design layouts.ACM Transactions on Graphics (TOG). 2019.

原文作者:Yizhi Wang, Guo Pu, Wenhan Luo, Yexin Wang, Pengfei Xiong, Hongwen Kang, Zhouhui Lian

猜您喜欢：

戳我，查看GAN的系列专辑~！