• content

Abstract

• 기존 폰트 생성 논문들 내려까면서 차별점 제시
  • 기존 논문들은 매우 많은 reference image 가 필요
  • 기존 논문들은 적은 reference image 를 사용하면 디테일한 스타일을 놓침
• 이 논문에서는 compositional scripts 에 집중한다.
  • 하나의 글자가 여러 구성요소로 나뉘는 것.
  • 예를 들면) 각 → ㄱ, ㅏ, ㄱ
• 새로운 글꼴 생성 프레임워크 DM-Font 제안
• compositionality 를 위해 다음을 사용함
  • memory components
  • global-context awarness
• 양적으로나 질적으로나 DM-Font 가 최고임

1. Introduction

• 개인화된 손글씨 폰트 디자인의 중요성 강조 + 전통적인 방법은 시간, 노동력 낭비 심함

• 전문가 없이 GAN을 이용해 폰트를 생성하는 방법 등장. but 많은 수의 sample 필요 + finenune-based method 여서 fine-tuning 과정에서 비용이 많이 듬

  <aside> ❓ DM-Font 는 finetuning 할 필요 없다는 말이야?

  </aside>

• unseen font 생성을 다른 모델과 비교했을때 우리 모델이 최고다.

• inherent glyph characteristics 사용.

  • 용어 설명

• compositional scripts 에 집중함

  ex) Korean

  • 11172 개의 glyphs

  • 68 개의 components ← 이것만 디자인하고 조합해서 전체 글꼴 라이브러리 생성 가능

  • components 를 디자인해도, 조합하는 과정에서 sub-glyph(ex. ㄱ)의 모양과 위치가 바뀌는 어려움이 있음

    

    <aside> ❓ compositional scripts 를 rule base 로 직접 디자인했다는 건가?

    </aside>

• 폰트 디자인에서 조합형 스크립트의 한계와 이를 극복하기 위한 디자인 방식

• 약하게 supervised 된 compositionality supervision(조합 규칙?) 개념 활용

  • 하위 요소들의 bounding box나 mask를 이용한 정확한 위치 파악이 필요하지 않고, 하위 요소들의 라벨 정보만을 이용하여 폰트를 생성하는 방식

• dual memory structure 사용

  • the global glyph structure 와 the local component-wise styles 를 효율적으로 캡쳐
  • Compositionality supervision

2. Related Works

2.1 Few-shot image-to-image translation