一种双判别器GAN的古彝文字符修复方法.docx

"一种双判别器GAN的古彝文字符修复方法" 本文提出了一种基于双判别器生成对抗网络（Generative Adversarial Networks with Dual Discriminator, D2GAN）的古彝文字符修复方法。古彝文作为一种重要的少数民族文字，距今有八千多年历史，具有重要的历史意义和社会价值。然而，古彝文古籍文献由于年代久远，往往模糊不清或者残缺不全，给彝文古籍文献的保存和传播带来极大的困难。 传统的文字图像修复方法是通过语境信息和感知信息进行，即利用图像周围的像素以及综合标准文字中的各个特征要素来完成字符推演。但古彝文没有标准文字让计算机参照学习，手写古彝文存在不确定性问题。同时计算机也很难具备人的语境信息，对于文字的认知，需要很多的背景知识，这些是人类在一定环境中长期积累形成，很难系统地加以描述和组织。 近年来，深度学习在图像语义修复、情感感知、模式识别以及特征分类等领域展现出令人振奋的前景。特别是在图像生成方面，表现出优越的性能。基于深度学习的图像生成算法相对于传统的基于结构和纹理的生成算法能够捕获更多图像的高级特征，常用于进行纹理合成和图像风格化迁移。 2014年由Goodfellow等提出的生成式对抗网络（Generative Adversarial Network, GAN）在图像生成领域取得了开创性进展。在图像生成的过程中，生成式对抗网络相对于传统的编码−解码器而言能够更好地拟合数据，且速度较快，生成的样本更加锐利，但该方法也存在不足，如数据训练不稳定、网络自由不可控、训练崩溃等问题。 2015年底，Radford等在深度卷积分类网络基础上，提出深度卷积生成式对抗网络（Deep Convolutional GAN, DCGAN）。DCGAN融合卷积神经网络（Convolutional Neural Network, CNN）和GAN，通过设计独特的网络结构，使得训练更加稳定。这是首篇表明向量运算可以作为从生成器中学习的固有属性进行特征表达的论文。 DCGAN的成功使GAN拓展出多种应用，如图像合成、风格迁移、超分辨率重构、图像修复以及图像转换等。本文在深度卷积和生成对抗网络以往的工作之上，对于彝文字符的特殊性，提出一个双判别器生成对抗网络模型用于古彝文字符修复。本文设计的双判别器网络是在DCGAN的基础上，增加一个筛选判别器模型，实现从手写彝文古籍文献中获取古彝文字符图像的概率分布，通过已获得的概率分布去预测待修复古彝文字符图像，根据预测图像完成修复任务。 本文使用手写古彝文字符图像数据集对上述方法进行测试，对残缺1/3以下的字符能达到77.3%修复率。本文提出的方法可以有效地修复古彝文字符，具有重要的应用价值。