模式识别实验室，弗里德里希-亚历山大-埃尔兰根-纽伦堡大学，抽象的。大多数人认为他们的笔迹是独一无二的，机器无法模仿，尤其是不使用全新的内容。当前的草书手写合成在视觉上受到限制或需要用户交互。我们表明，将过程细分为更小的子任务可以模仿某人的笔迹，并且很有可能在视觉上无法区分人类。因此，给定的手写样本将用作目标样式。该样本被转移到在线序列。然后，使用一种在线手写合成方法来生成一个新的逼真的文本，该文本以在线输入序列为基础。这个新文本被渲染并适应输入笔迹的风格。我们通过生成在综合用户研究中得到验证的词汇内和词汇外手写样本来展示管道的有效性。此外，我们还表明，典型的手写家识别系统也可能部分地被创建的假笔迹所欺骗。
1 简介
手写字迹仍是主流、记笔记和身份验证的重要组成部分。在实际拿起笔的情况下以手写方式书写字迹可能是有益的，不仅因为我们生活在数字化时代，而且当书写行为因受伤或疾病而身体受损时也是如此。手写合成还可以以此使用标准手写字体更个性化的方式展现不同。
个人笔迹在虚拟现实游戏中也很有用，其中的部分可以用著名的笔迹或玩家自己的笔迹书写，以便更强烈地识别化身。同样，它可以用于增强现实或电影。在将笔记从一种语言翻译成另一种语言时，为什么不调整某人的笔迹风格？由于大多数深度模仿方法需要大量数据集进行训练，另一个用的签名样本自动手写文本识别。
事实上，在 模仿笔迹方法的训练过程中，单个手写笔迹的模拟已经用于多数人签名的方法。借助我们提出的方法，可以仅从要模仿的人的一行手写字迹中生成个人手写风格的手写笔迹。这种方法还可以还原逼真的赝品。为了检测这些伪造品，可能需要开发新的和强大的笔迹鉴定识别和验证方法。
为了训练这样的系统，我们的方法允许法医研究人员在不需要熟练的伪造者的情况下书写生成的模仿笔迹。与离线数据（即扫描的手写体）相比，在线手写笔迹样本不仅存储每个数据点的位置，还存储时间信息，代表笔的实际移动。例如，这可以用特殊的笔或垫子记录下来。在我们的鉴定中，离线数据被传输到时域。然后，我们利用现有的在线手写模仿方法，将时间信息和目标文本作为输入。最后，生成的在线数据再次以要模仿的笔迹风格呈现。
这项工作的主要贡献如下：
(1)创建了一个完整的过程，用于合成中国人书写草书，重建视觉和签名特定的风格；
(2) 开发一种新的转换方法，从离线数据中近似笔迹，以便能够利用现有的基于在线的风格迁移方法；
(3) 适应条件以计算稳健的手写骨架化和视觉风格模仿以适应使用的笔迹应用。
对于前者，我们引入了迭代笔迹迁移，使类似于笔迹风格手写恢复。对于后者，我们修改了众所周知的笔迹模仿的一些方法， 来整合写作风格信息。
(4) 最后，我们的方法通过两种方式进行了彻底的评估。首先，通过笔迹识别方法来定量评估临摹风格是否保留，其次，通过用户研究来评估人类在多大程度上可以被模仿的笔迹所欺骗。
相关工作
在线手写笔迹模仿。为了产生令人信服的笔迹，它需要准确地再现给定的内容，同时保持风格一致，但不是一成不变的。真实的人类笔迹将几乎完全相同地重复相同的内容，但仍然存在一些差异。这需要扎实的长期记忆，并结合所需长期训练的一些指导。这是通过使用具有长短期肌肉记忆来实现的，这使书写模仿能够在先前笔位置的各个点进行预测然后精准还原笔迹。
虽然肌肉记忆增强提高了模仿精度，但手写的笔迹能不能模仿特定的笔迹。另一种方法 通过在公共手写字体中找到最佳字符匹配来从公共字体中合成笔迹。结果令人信服，但仍与实际用户的风格相去甚远。据我们所知，这是使用草书作为输入的唯一其他方法。他们通过从分段标记的连字和单个字形创建字形模型来产生令人信服的模仿。该方法有两个主要缺点。首先，字形和连字的选择需要人工协助。其次，只有待模仿的笔迹中出现的文字才能被临摹。
笔迹的风格是通过长期模仿形成的，但笔迹内容具有结构组件，因此可以进行一些时间生成，例如，以长期练习形式更可取。更容易取得模仿效果，每个子任务都可以自行训练，允许人类先验知识指导过程，并分别评估单个步骤。
此外，如果有更好的解决方案，并非所有这些任务都需长期训练。对于字迹模仿，我们需要在两个层面上应用风格转移，书写笔划的排列和笔的风格，即粗细和颜色分布。概述了我们的流程。
