本平台背後是一項書法風格量化研究。核心問題是：書法家的個人風格， 在影像的哪個尺度上被承載？我們整理了一組同字跨書法家配對的資料集， 以頻域方法檢驗傳統書論「結構為本、筆法為末」的說法， 並將所得理解用於風格生成任務。

所有實驗採 character-disjoint 評估：測試所用的字在訓練階段完全未出現， 模型無法藉由記憶特定字與書法家的共現關係取得優勢。

發現一：身份訊號集中於低頻結構

對字圖施加徑向低通濾波後重新訓練分類器：僅保留最低 10% 的空間頻率 ——粗略的筆畫佈局、無任何筆鋒細節——辨識準確率即達 94.7%， 其餘 90% 的高頻成分僅額外貢獻約 4 個百分點。

保留頻率半徑	2%	5%	10%	20%	100%
辨識準確率	48.5%	78.2%	94.7%	97.3%	98.7%

發現二：風格表徵可跨字、跨字帖泛化

同字配對驗證任務：給定兩張同一個字的影像，判斷是否出自同一書法家。 深度風格表徵在未見過的字上達到 ROC-AUC 0.998； 將正例限制為「不同字帖」的配對後仍有 0.989， 顯示模型學到的是風格本身，而非特定字帖的再製特徵。

表徵	訓練	ROC-AUC
手工特徵（傅立葉描述子＋Hu 矩＋頻譜統計）	無	0.635
DINOv2 ViT-S/14	無（通用自監督）	0.793
ResNet-18 style embedding	本資料集訓練字	0.998

發現三：可解釋特徵承載約一半訊號

三組手工特徵串接後達 49.4%（多數類基準 25.7%）， 深度特徵則為 98.7%。手工特徵具互補性，但涵蓋範圍有限； 此一落差本身即為後續分析的對象，而非單純的效能差距。

發現四：跨資料集泛化才是難點

在獨立蒐集的 40,152 張外部影像上，準確率降至 32.0%。 分析顯示筆畫寬度為主要干擾因素：外部的細筆畫影像集中被判為本資料集中筆畫較細的類別。 經骨架化與固定寬度重繪後回升至 37.1%，其中顏真卿自 16% 回升至 75%。 同源辨識容易、跨源泛化困難——後者才是此任務的實際難點。

發現五：生成任務中的結構鴻溝

我們將同一框架用於檢驗風格生成。評估利用本資料集的獨有條件： 保留該書法家確實寫過但未參與訓練的字作為 ground truth。 六項介入（微調、頻域結構損失、類別平衡、guidance 調校、驗證導引重排） 均在 34% 附近趨於飽和。

設定（凍結評估器，真跡上限 91.9%）	Style match	SSIM
zero-shot	20.0%	0.531
＋ 本資料集微調	32.4%	0.556
＋ guidance 調校＋驗證導引重排	34.3%	0.557
＋ 頻域結構損失（ours）	33.3%	0.563
＋ 軟骨架結構損失（ours）	33.3%	0.552

依據發現一，我們設計了兩種直接約束結構的損失（頻域低頻比較、可微分軟骨架比較）。 以同一批 210 個 held-out 字做配對檢定：頻域結構損失使生成結果顯著遠離標準字骨架 （SSIM 0.5404→0.5264，p<0.001）、靠近真跡（0.5557→0.5625，p=0.021）， 內容洩漏率自 39.0% 降至 28.6%（p=0.030）——結構鴻溝確實被縮小了。 但分類器判定的風格辨識率並未隨之提升。兩項指標的分歧本身即為一項發現： 縮小結構鴻溝是必要條件，卻不足以讓生成結果被辨識為該書法家。