论文阅读: (CVPR2023 SDT )基于书写者风格和字符风格解耦的手写文字生成及源码对应

本文主要是介绍论文阅读: (CVPR2023 SDT )基于书写者风格和字符风格解耦的手写文字生成及源码对应,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

目录

        • 引言
        • SDT整体结构介绍
        • 代码与论文对应
          • 搭建模型部分
          • 数据集部分
        • 总结

引言
  • 许久不认真看论文了,这不赶紧捡起来。这也是自己看的第一篇用到Transformer结构的CV论文。
  • 之所以选择这篇文章来看,是考虑到之前做过手写字体生成的项目。这个工作可以用来合成一些手写体数据集,用来辅助手写体识别模型的训练。
  • 本篇文章将从论文与代码一一对应解析的方式来撰写,这样便于找到论文重点地方以及用代码如何实现的,更快地学到其中要点。这个项目的代码写得很好看,有着清晰的说明和整洁的代码规范。跟着仓库README就可以快速跑起整个项目。
  • 如果读者可以阅读英文的话,建议先去直接阅读英文论文,会更直接看到整个面貌。
  • PDF | Code
SDT整体结构介绍
  • 整体框架:
    SDT
  • 该工作提出从个体手写中解耦作家和字符级别的风格表示,以合成逼真的风格化在线手写字符。
  • 从上述框架图,可以看出整体可分为三大部分:Style encoderContent EncoderTransformer Decoder
    • Style Encoder: 主要学习给定的Style的Writer和Glyph两种风格表示,用于指导合成风格化的文字。包含两部分:CNN EncoderTransformer Encdoer
    • Content Encoder: 主要提取输入文字的特征,同样包含两部分:CNN EncoderTransformer Encdoer
  • ❓疑问:为什么要将CNN Encoder + Transformer Encoder结合使用呢?
    • 这个问题在论文中只说了Content Encoder使用两者的作用。CNN部分用来从content reference中学到compact feature map。Transformer encoder用来提取textual content表示。得益于Transformer强大的long-range 依赖的捕捉能力,Content Encdoer可以得到一个全局上下文的content feature。这里让我想到经典的CRNN结构,就是结合CNN + RNN两部分。
      在这里插入图片描述
代码与论文对应
  • 论文结构的最核心代码有两部分,一是搭建模型部分,二是数据集处理部分。
搭建模型部分
  • 该部分代码位于仓库中models/model.py,我这里只摘其中最关键部分添加注释来解释,其余细节请小伙伴自行挖掘。
class SDT_Generator(nn.Module):def __init__(self, d_model=512, nhead=8, num_encoder_layers=2, num_head_layers= 1,wri_dec_layers=2, gly_dec_layers=2, dim_feedforward=2048, dropout=0.1,activation="relu", normalize_before=True, return_intermediate_dec=True):super(SDT_Generator, self).__init__()### style encoder with dual heads# Feat_Encoder:对应论文中的CNN Encoder,用来提取图像经过CNN之后的特征,backbone选的是ResNet18self.Feat_Encoder = nn.Sequential(*([nn.Conv2d(1, 64, kernel_size=7, stride=2, padding=3, bias=False)] +list(models.resnet18(pretrained=True).children())[1:-2]))# self.base_encoder:对应论文中Style Encoder的Transformer Encoderb部分encoder_layer = TransformerEncoderLayer(d_model, nhead, dim_feedforward,dropout, activation, normalize_before)self.base_encoder = TransformerEncoder(encoder_layer, num_encoder_layers, None)writer_norm = nn.LayerNorm(d_model) if normalize_before else Noneglyph_norm = nn.LayerNorm(d_model) if normalize_before else None# writer_head和glyph_head分别对应论文中的Writer Head和Glyph Head# 从这里来看,这两个分支使用的是1层的Transformer Encoder结构self.writer_head = TransformerEncoder(encoder_layer, num_head_layers, writer_norm)self.glyph_head = TransformerEncoder(encoder_layer, num_head_layers, glyph_norm)### content ecoder# content_encoder:对应论文中Content Encoder部分,# 从Content_TR源码来看,同样也是ResNet18作为CNN Encoder的backbone# Transformer Encoder部分用了3层的Transformer Encoder结构# 详情参见:https://github.com/dailenson/SDT/blob/1352b5cb779d47c5a8c87f6735e9dde94aa58f07/models/encoder.py#L8self.content_encoder = Content_TR(d_model, num_encoder_layers)### decoder for receiving writer-wise and character-wise styles# 这里对应框图中Transformer Decoder中前后两个部分decoder_layer = TransformerDecoderLayer(d_model, nhead, dim_feedforward,dropout, activation, normalize_before)wri_decoder_norm = nn.LayerNorm(d_model) if normalize_before else Noneself.wri_decoder = TransformerDecoder(decoder_layer, wri_dec_layers, wri_decoder_norm,return_intermediate=return_intermediate_dec)gly_decoder_norm = nn.LayerNorm(d_model) if normalize_before else Noneself.gly_decoder = TransformerDecoder(decoder_layer, gly_dec_layers, gly_decoder_norm,return_intermediate=return_intermediate_dec)### two mlps that project style features into the space where nce_loss is appliedself.pro_mlp_writer = nn.Sequential(nn.Linear(512, 4096), nn.GELU(), nn.Linear(4096, 256))self.pro_mlp_character = nn.Sequential(nn.Linear(512, 4096), nn.GELU(), nn.Linear(4096, 256))self.SeqtoEmb = SeqtoEmb(hid_dim=d_model)self.EmbtoSeq = EmbtoSeq(hid_dim=d_model)# 这里位置嵌入来源于论文Attention is all you need.self.add_position = PositionalEncoding(dropout=0.1, dim=d_model)        self._reset_parameters()# the shape of style_imgs is [B, 2*N, C, H, W] during trainingdef forward(self, style_imgs, seq, char_img):batch_size, num_imgs, in_planes, h, w = style_imgs.shape# style_imgs: [B, 2*N, C:1, H, W] -> FEAT_ST_ENC: [4*N, B, C:512]style_imgs = style_imgs.view(-1, in_planes, h, w)  # [B*2N, C:1, H, W]# 经过CNN Encoderstyle_embe = self.Feat_Encoder(style_imgs)  # [B*2N, C:512, 2, 2]anchor_num = num_imgs//2style_embe = style_embe.view(batch_size*num_imgs, 512, -1).permute(2, 0, 1)  # [4, B*2N, C:512]FEAT_ST_ENC = self.add_position(style_embe)memory = self.base_encoder(FEAT_ST_ENC)  # [4, B*2N, C]writer_memory = self.writer_head(memory)glyph_memory = self.glyph_head(memory)writer_memory = rearrange(writer_memory, 't (b p n) c -> t (p b) n c',b=batch_size, p=2, n=anchor_num)  # [4, 2*B, N, C]glyph_memory = rearrange(glyph_memory, 't (b p n) c -> t (p b) n c',b=batch_size, p=2, n=anchor_num)  # [4, 2*B, N, C]# writer-ncememory_fea = rearrange(writer_memory, 't b n c ->(t n) b c')  # [4*N, 2*B, C]compact_fea = torch.mean(memory_fea, 0) # [2*B, C]# compact_fea:[2*B, C:512] ->  nce_emb: [B, 2, C:128]pro_emb = self.pro_mlp_writer(compact_fea)query_emb = pro_emb[:batch_size, :]pos_emb = pro_emb[batch_size:, :]nce_emb = torch.stack((query_emb, pos_emb), 1) # [B, 2, C]nce_emb = nn.functional.normalize(nce_emb, p=2, dim=2)# glyph-ncepatch_emb = glyph_memory[:, :batch_size]  # [4, B, N, C]# sample the positive pairanc, positive = self.random_double_sampling(patch_emb)n_channels = anc.shape[-1]anc = anc.reshape(batch_size, -1, n_channels)anc_compact = torch.mean(anc, 1, keepdim=True) anc_compact = self.pro_mlp_character(anc_compact) # [B, 1, C]positive = positive.reshape(batch_size, -1, n_channels)positive_compact = torch.mean(positive, 1, keepdim=True)positive_compact = self.pro_mlp_character(positive_compact) # [B, 1, C]nce_emb_patch = torch.cat((anc_compact, positive_compact), 1) # [B, 2, C]nce_emb_patch = nn.functional.normalize(nce_emb_patch, p=2, dim=2)# input the writer-wise & character-wise styles into the decoderwriter_style = memory_fea[:, :batch_size, :]  # [4*N, B, C]glyph_style = glyph_memory[:, :batch_size]  # [4, B, N, C]glyph_style = rearrange(glyph_style, 't b n c -> (t n) b c') # [4*N, B, C]# QUERY: [char_emb, seq_emb]seq_emb = self.SeqtoEmb(seq).permute(1, 0, 2)T, N, C = seq_emb.shape# ========================Content Encoder部分=========================char_emb = self.content_encoder(char_img) # [4, N, 512]char_emb = torch.mean(char_emb, 0) #[N, 512]char_emb = repeat(char_emb, 'n c -> t n c', t = 1)tgt = torch.cat((char_emb, seq_emb), 0) # [1+T], put the content token as the first tokentgt_mask = generate_square_subsequent_mask(sz=(T+1)).to(tgt)tgt = self.add_position(tgt)# 注意这里的执行顺序,Content Encoder输出 → Writer Decoder → Glyph Decoder → Embedding to Sequence# [wri_dec_layers, T, B, C]wri_hs = self.wri_decoder(tgt, writer_style, tgt_mask=tgt_mask)# [gly_dec_layers, T, B, C]hs = self.gly_decoder(wri_hs[-1], glyph_style, tgt_mask=tgt_mask)  h = hs.transpose(1, 2)[-1]  # B T Cpred_sequence = self.EmbtoSeq(h)return pred_sequence, nce_emb, nce_emb_patch
数据集部分
  • CASIA_CHINESE
    data/CASIA_CHINESE
    ├── character_dict.pkl   # 词典
    ├── Chinese_content.pkl  # Content reference
    ├── test
    ├── test_style_samples
    ├── train
    ├── train_style_samples  # 1300个pkl,每个pkl中是同一个人写的各个字,长度不一致
    └── writer_dict.pkl
    
  • 训练集中单个数据格式解析
    {'coords': torch.Tensor(coords),                # 写这个字,每一划的点阵'character_id': torch.Tensor([character_id]),  # content字的索引'writer_id': torch.Tensor([writer_id]),        # 某个人的style'img_list': torch.Tensor(img_list),            # 随机选中style的img_list'char_img': torch.Tensor(char_img),            # content字的图像'img_label': torch.Tensor([label_id]),         # style中图像的label
    }
    
  • 推理时:
    • 输入:
      • 一种style15个字符的图像
      • 原始输入字符
    • 输出:属于该style的原始字符
总结
  1. 感觉对于Transformer的用法,比较粗暴。当然,Transformer本来就很粗暴
  2. 模型69M (position_layer2_dim512_iter138k_test_acc0.9443.pth) 比较容易接受,这和我之前以为的Transformer系列都很大,有些出入。这也算是纠正自己的盲目认知了
  3. 学到了einops库的用法,语义化操作,很有意思,值得学习。
  4. 第一次了解到NCE(Noise Contrastive Estimation)这个Loss,主要解决了class很多时,将其转换为二分类问题。

这篇关于论文阅读: (CVPR2023 SDT )基于书写者风格和字符风格解耦的手写文字生成及源码对应的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/812815

相关文章

Python基于微信OCR引擎实现高效图片文字识别

《Python基于微信OCR引擎实现高效图片文字识别》这篇文章主要为大家详细介绍了一款基于微信OCR引擎的图片文字识别桌面应用开发全过程,可以实现从图片拖拽识别到文字提取,感兴趣的小伙伴可以跟随小编一... 目录一、项目概述1.1 开发背景1.2 技术选型1.3 核心优势二、功能详解2.1 核心功能模块2.

C#如何去掉文件夹或文件名非法字符

《C#如何去掉文件夹或文件名非法字符》:本文主要介绍C#如何去掉文件夹或文件名非法字符的问题,具有很好的参考价值,希望对大家有所帮助,如有错误或未考虑完全的地方,望不吝赐教... 目录C#去掉文件夹或文件名非法字符net类库提供了非法字符的数组这里还有个小窍门总结C#去掉文件夹或文件名非法字符实现有输入字

python编写朋克风格的天气查询程序

《python编写朋克风格的天气查询程序》这篇文章主要为大家详细介绍了一个基于Python的桌面应用程序,使用了tkinter库来创建图形用户界面并通过requests库调用Open-MeteoAPI... 目录工具介绍工具使用说明python脚本内容如何运行脚本工具介绍这个天气查询工具是一个基于 Pyt

Python实现自动化Word文档样式复制与内容生成

《Python实现自动化Word文档样式复制与内容生成》在办公自动化领域,高效处理Word文档的样式和内容复制是一个常见需求,本文将展示如何利用Python的python-docx库实现... 目录一、为什么需要自动化 Word 文档处理二、核心功能实现:样式与表格的深度复制1. 表格复制(含样式与内容)2

python如何生成指定文件大小

《python如何生成指定文件大小》:本文主要介绍python如何生成指定文件大小的实现方式,具有很好的参考价值,希望对大家有所帮助,如有错误或未考虑完全的地方,望不吝赐教... 目录python生成指定文件大小方法一(速度最快)方法二(中等速度)方法三(生成可读文本文件–较慢)方法四(使用内存映射高效生成

Maven项目中集成数据库文档生成工具的操作步骤

《Maven项目中集成数据库文档生成工具的操作步骤》在Maven项目中,可以通过集成数据库文档生成工具来自动生成数据库文档,本文为大家整理了使用screw-maven-plugin(推荐)的完... 目录1. 添加插件配置到 pom.XML2. 配置数据库信息3. 执行生成命令4. 高级配置选项5. 注意事

mybatis的mapper对应的xml写法及配置详解

《mybatis的mapper对应的xml写法及配置详解》这篇文章给大家介绍mybatis的mapper对应的xml写法及配置详解,本文给大家介绍的非常详细,对大家的学习或工作具有一定的参考借鉴价值,... 目录前置mapper 对应 XML 基础配置mapper 对应 xml 复杂配置Mapper 中的相

MybatisX快速生成增删改查的方法示例

《MybatisX快速生成增删改查的方法示例》MybatisX是基于IDEA的MyBatis/MyBatis-Plus开发插件,本文主要介绍了MybatisX快速生成增删改查的方法示例,文中通过示例代... 目录1 安装2 基本功能2.1 XML跳转2.2 代码生成2.2.1 生成.xml中的sql语句头2

8种快速易用的Python Matplotlib数据可视化方法汇总(附源码)

《8种快速易用的PythonMatplotlib数据可视化方法汇总(附源码)》你是否曾经面对一堆复杂的数据,却不知道如何让它们变得直观易懂?别慌,Python的Matplotlib库是你数据可视化的... 目录引言1. 折线图(Line Plot)——趋势分析2. 柱状图(Bar Chart)——对比分析3

使用Python自动化生成PPT并结合LLM生成内容的代码解析

《使用Python自动化生成PPT并结合LLM生成内容的代码解析》PowerPoint是常用的文档工具,但手动设计和排版耗时耗力,本文将展示如何通过Python自动化提取PPT样式并生成新PPT,同时... 目录核心代码解析1. 提取 PPT 样式到 jsON关键步骤:代码片段:2. 应用 JSON 样式到