下图的每对 logo 中，一个是设计师设计的 logo，另一个是 AI 模型生成的，顺序不确定，你能分辨出哪些是 AI 模型生成的吗？（答案在文末揭晓）
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。例如，不同的文字之间通常不能有形状重叠；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。
最近，北京大学王选计算机所和腾讯针对这个问题，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。
该工作已经被 CVPR2022 接收，相关数据集和代码已经开源。
一、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。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 1 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 2 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。
二、模型设计
2.1 流程框图
本模型的流程框图如下图所示：
图 3 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，
和
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。
2.2 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 4 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。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 5 根据求解参数合成 logo 图像
2.3 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。
三、实验
3.1 布局生成结果展示
如图 6 和图 7 所示，本模型可以生成英文 logo 图，也可以生成中文 logo。
图 6 本模型在英文数据集上结果
图 7 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：如（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”。
3.2 与其他方法对比
本文与 2D 图形布局生成工作 LayoutGAN（Li et al, ICLR 2018）和 layoutNet（Zheng et al, TOG 2019）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，所以不能处理该任务。如图 8 所示，本模型生成了更好的结果。
图 8 与现有方法对比
3.3 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 9 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 9 隐空间噪声 z 的可视化结果
3.4 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
3.5 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 10 展示了一些合成的样例, 证明了本系统的有效性。
图 10 logo 图像生成系统
四、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。引言部分中每对 logo 图像，左边是 AI 生成的，右边是人工设计的，你猜对了吗？
