| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第1章 绪论 | 第12-18页 |
| 1.1 研究背景 | 第12-13页 |
| 1.2 研究内容 | 第13-14页 |
| 1.3 本文贡献 | 第14-16页 |
| 1.4 论文结构 | 第16-17页 |
| 1.5 本章总结 | 第17-18页 |
| 第2章 相关研究和技术综述 | 第18-28页 |
| 2.1 书法字生成相关研究 | 第18-23页 |
| 2.1.1 基于毛笔模型的书法字生成 | 第18-20页 |
| 2.1.2 基于图像拼接的书法字生成 | 第20-21页 |
| 2.1.3 基于骨架渲染的书法字生成 | 第21-23页 |
| 2.2 基于深度学习的图像生成 | 第23-27页 |
| 2.3 本章小结 | 第27-28页 |
| 第3章 基于朴素贝叶斯和相关反馈的书法字生成 | 第28-44页 |
| 3.1 系统框架 | 第28-33页 |
| 3.1.1 书法资源库 | 第29-32页 |
| 3.1.2 字体哈希表、相关哈希表、概率哈希表 | 第32页 |
| 3.1.3 合成模块 | 第32-33页 |
| 3.2 基于相关反馈的图片索引构建 | 第33-36页 |
| 3.2.1 图片相关索引的定义 | 第34页 |
| 3.2.2 图片相关索引的构建算法 | 第34-36页 |
| 3.3 基于朴素贝叶斯的书法部件选择算法 | 第36-39页 |
| 3.3.1 基于朴素贝叶斯构建概率哈希表PrHT | 第38页 |
| 3.3.2 笔画选择 | 第38-39页 |
| 3.3.3 部首选择 | 第39页 |
| 3.4 实验结果与分析讨论 | 第39-43页 |
| 3.4.1 相关反馈机制的对比试验 | 第40-41页 |
| 3.4.2 不同书法风格模板下合成效果对比 | 第41-42页 |
| 3.4.3 实验结果分析 | 第42-43页 |
| 3.5 本章总结 | 第43-44页 |
| 第4章 有监督的书法字风格迁移 | 第44-55页 |
| 4.1 有监督的书法字风格迁移框架 | 第44-45页 |
| 4.2 神经网络输入和输出 | 第45-46页 |
| 4.3 生成器和判别器 | 第46-48页 |
| 4.3.1 生成器Generator | 第47页 |
| 4.3.2 判别器Discriminator | 第47-48页 |
| 4.4 目标函数 | 第48-50页 |
| 4.4.1 KL Divergence Loss | 第48-49页 |
| 4.4.2 L2 Loss | 第49页 |
| 4.4.3 Const Loss | 第49-50页 |
| 4.5 实验结果与分析讨论 | 第50-54页 |
| 4.5.1 不同训练程度下的生成样本质量对比 | 第50-52页 |
| 4.5.2 不同目标风格的书法字合成效果对比 | 第52-53页 |
| 4.5.3 实验结果分析 | 第53-54页 |
| 4.6 本章总结 | 第54-55页 |
| 第5章 无监督的书法字风格迁移 | 第55-69页 |
| 5.1 无监督的书法字风格迁移框架UST | 第55-57页 |
| 5.2 UST框架的输入和输出 | 第57-58页 |
| 5.3 生成器和判别器 | 第58-60页 |
| 5.3.1 生成器Generator | 第58-59页 |
| 5.3.2 判别器Discriminator | 第59-60页 |
| 5.4 目标函数 | 第60-62页 |
| 5.4.1 Wasserstein distance Loss | 第60-61页 |
| 5.4.2 L2 Loss | 第61页 |
| 5.4.3 Semantic Loss | 第61-62页 |
| 5.5 实验结果与分析讨论 | 第62-68页 |
| 5.5.1 数据准备 | 第63-64页 |
| 5.5.2 Content样例对比 | 第64-66页 |
| 5.5.3 Style量化分析 | 第66-67页 |
| 5.5.4 实验结果分析 | 第67-68页 |
| 5.6 本章总结 | 第68-69页 |
| 第6章 总结和展望 | 第69-71页 |
| 6.1 总结 | 第69-70页 |
| 6.2 展望 | 第70-71页 |
| 参考文献 | 第71-74页 |
| 攻读硕士学位期间主要的研究成果 | 第74-75页 |
| 致谢 | 第75页 |