Stroke Structure Reconstruction and Virtual Display System Design for Calligraphic Seal Engraving Using Artificial Intelligence
Notice bibliographique
Résumé
Aiming at the needs of reconstructing the structure of calligraphic seal cutting strokes and virtual display, this study designs a GAN technique that integrates three models, namely, "WGAN, DCGAN and CGAN".The CycleGAN model is used to obtain the mapping relationship between learning and style migration by utilizing its cyclic consistency loss.Adaptive pre-morphing technique is introduced to process the input image to capture the outline information and morphological features of calligraphic seal carvings, and a Generative Adversarial Network-based Generative Model for Structural Reconstruction of Calligraphic Fonts (CRA-GAN) is proposed.Meanwhile, an online virtual display system is designed to provide users with a good sense of experience in the virtual display of calligraphy.The results show that the CRA-GAN model can better capture the details and global information of the fonts, and its recognition rate of the eight calligraphic fonts ranges from 90.42% to 97.38%, and the MOS rating value of the text image is > 8.5 points, and its recognition results are in line with the observation characteristics of the human eye for calligraphic images.The FID calculation result of the CRA-GAN method ( 204.361) of the CRA-GAN method is much lower than that of other methods, which obviously improves the diversity and visual quality of the generated calligraphic fonts.This paper evaluates the user's experience of the system from five aspects: narrative experience, emotional experience, sensory experience, cognitive experience and interactive experience, and calculates that the final score of the system is in the range of 80-100, which indicates that the user's satisfaction is very high after actually experiencing the virtual display system.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».