기술 요약: 가변 글꼴 생성을 위한 NIV (Neural Axis Variations)

문제 정의

가변 글꼴(Variable fonts)은 단일 파일 내에서 의미론적 디자인 축(예: 굵기, 너비, 기울기, 광학적 크기)에 따라 글리프 기하 구조를 연속적으로 변화시킬 수 있는 타이포그래피의 중요한 진보를 나타냅니다. 그러나 정적 글꼴을 기능적인 가변 글꼴로 변환하는 과정은 전통적으로 전문적인 타이포그래피 디자인을 필요로 하는 노동 집약적인 작업입니다. 이는 여러 개의 마스터 글리프 아웃라인을 수동으로 정의하고, 축 값의 함수로서 모든 제어점이 어떻게 이동하는지를 결정하는 gvar(glyph variation) 데이터를 지정하는 과정을 포함합니다. 결과적으로 기존의 많은 글꼴들은 정적 상태로 남아 있습니다. 이전의 신경망 방식들이 정적 래스터 이미지나 개별 벡터 아웃라인 생성에 집중했던 것과 달리, 단일 정적 입력으로부터 완전한 기능을 갖춘 표준 준수 OpenType 가변 글꼴 파일을 자동 생성하는 방법론은 아직 존재하지 않았습니다.

방법론

저자들은 디자인 축 값에 조건화된 지점별 변위(per-point displacement)를 학습함으로써, 정적 글꼴을 가변 글로 자동 변환하는 2단계 방법인 **NIV (Neural Axis Variations)**를 소개합니다.

1. 데이터 및 입력 표현

• 데이터셋: 모델은 Google Fonts에서 추출한 100만 개 이상의 변형 튜플(variation tuples)로부터 구축된 새로운 데이터셋을 통해 학습됩니다. 이 데이터셋은 각 글리프의 아웃라인 기하 구조와 정규화된 통합 좌표계로 밀집화된 지점별 변이 델타(per-point variation deltas)를 포함합니다.
• 입력 인코딩: 글리프는 순서가 지정된 벡터 아웃라인 점들의 시퀀스(on-curve, off-curve, phantom 점 포함)로 표현됩니다. 좌표는 글꼴의 units-per-em(UPM)에 상대적인 $[-1, 1]$ 범위로 정규화됩니다. 각 점은 on-curve 여부, 컨투어 위치, phantom 상태를 나타내는 특징(feature)과 함께 증강됩니다.
• 축 조건화(Axis Conditioning): 모델은 정규화된 스칼라 값 $[-1, 1]$을 가진 타겟 디자인 축(예: wght, slnt) 세트를 전달받습니다. 바이너리 마스크는 어떤 축이 활성화되었는지 나타내며, 이를 통해 모델이 예시당 가변적인 수의 축을 처리할 수 있도록 합니다.

2. 모델 아키텍처

NIV는 글리프 점 특징의 순차적 시퀀스를 2D 변위 벡터 $(\Delta x, \Delta y)$ 시퀀스로 매핑하는 시퀀스-투-시퀀스(sequence-to-sequence) 기하 모델을 채택합니다.

• 백본(Backbone): 핵심은 멀티 헤드 셀프 어텐션(multi-head self-attention)과 잔차 연결(residual connections)을 갖춘 피드 포워드 네트워크를 활용하는 상호작용 블록(interaction blocks)의 스택으로 구성됩니다. 자기회귀(autoregressive) 모델과 달리, 이 아키텍처는 글리프 아웃라인의 기하학적 특성을 존중하며 전체 점 시퀀스를 동시에 처리합니다.
• 속성 임베딩(Property Embedding): 본 연구의 참신한 기여는 속성 임베딩 메커니즘입니다. 이는 각 축에 대한 양(+)과 음(-)의 벡터를 학습하여 여러 축 사이의 상호작용을 포착합니다. 이 벡터들은 축의 절대값에 의해 가중치가 부여되고 합산되어 조건화 벡터(conditioning vector)를 생성합니다.
• 적응형 층 정규화(Adaptive Layer Normalization, AdaLN): 생성된 조건화 벡터는 AdaLN을 통해 모든 상호작용 블록에서 네트워크의 내부 표현을 조절합니다. 이를 통해 모델은 통합된 프레임워크 내에서 복잡한 고차 상호작용(예: 굵기와 너비 변화가 어떻게 상호작용하는지)을 학습할 수 있으며, 미세하고 기하학적으로 인지된 제어를 가능하게 합니다.
• 출력: 점 단위 회귀 헤드(point-wise regression head)는 잠재 표현을 각 제어점의 2D 변위 벡터로 매핑합니다.

3. 글꼴 생성 파이프라인

두 번째 단계에서 학습된 모델은 가변 글꼴 파일을 구축합니다.

1. 튜플 구축: 모델은 디자인 공간의 특정 위치에 대한 아웃라인 델타를 예측합니다.
2. 계층적 주입(Hierarchical Injection): 시스템은 튜플을 점진적으로 주입하여 gvar 테이블을 구축합니다. 1차 튜플(단일 축)로 시작하여 고차 튜플(쌍, 삼중항)을 잔차 수정(residual corrections)으로서 추가합니다.
3. 잔차 학습(Residual Learning): 다중 축 좌표의 경우, 모델은 (OpenType 가중치 규칙을 사용하여) 하위 차수 튜플에 의해 이미 설명된 변위를 계산하고, 이를 모델의 예측값에서 차감한 후 새로운 튜플을 작성합니다. 이는 1차 튜플이 단일 축 효과를 포착하고, 고차 튜플이 필요한 상호작용 항만을 인코딩하도록 보장합니다.
4. 출력: 이 과정은 기존 렌더링 엔진과 호환되는 fvar 및 gvar 테이블을 포함하는 표준 .ttf 파일을 생성합니다.

주요 결과 및 평가

논문은 다양한 차원에서 NIV를 평가하여 견고한 일반화 성능을 입증했습니다.

• 정량적 성능: 테스트 세트에서 NIV는 미학습 코드 포인트(Unicode split)에 대해 약 0.053, 미학습 글꼴 스타일(Font split)에 대해 0.052의 RMSE(정규화된 델타 단위)를 달성했습니다. 이는 제로 변위(zero displacement)를 예측하는 null 베이스라인(RMSE 약 0.13–0.14)을 크게 상회하는 수치입니다.
• 미학습 코드 포인트: 모델은 오직 기하학적 구조에만 의존하여 학습 데이터에 없는 유니코드 문자에 대해서도 변형 패턴을 성공적으로 일반화합니다.
• 미학습 글꼴 스타일: 모델은 복잡한 스타일을 포함하여 훈련 세트에 전혀 존재하지 않는 정적 글꼴에 대해서도 일관된 가변 글꼴을 생성합니다.
• 고복잡도 스크립트: 모델은 수천 개의 글리프를 포함하여 자동화가 까다로운 CJK(한중일) 글꼴(예: Meirayo, PingFang)에서도 견고함을 보여줍니다.
• 분포 외(Out-of-Distribution) 일반화: 도전적인 테스트에서 NIV는 훈련 데이터와 구조적 유사성이 전혀 없는 필기체 샘플로부터 가변 글꼴을 생성하였으며, 완전히 새로운 형태에 대해서도 축 기반의 변형을 성공적으로 추론해 냈습니다.
• 재구성 충실도: 테스트 세트의 가변 글꼴을 재구성하기 위해(변형을 제거한 후 다시 생성) 적용했을 때, NIV는 미세한 결함만을 남긴 채 높은 충실도의 결과를 생성했습니다.
• 베이스라인과의 비교: 논문은 규칙 기반의 기하학적 휴리스틱(예: 단순 스케일링)과 NIV를 대조합니다. 저자들은 단순한 기하학적 접근 방식이 구조적 무결성을 유지하는 데 실패하는 경우가 많음(예: 너비를 스케일링하면 줄기 부분이 의도치 않게 두꺼워짐)을 지적하며, 반면 NIV는 적절한 구성 요소를 선택적으로 변형하는 법을 학습한다고 명시했습니다.

의의 및 주장

저자들은 NIV를 단일 정적 글꼴로부터 연속적인 변형을 가진 기능적인 가변 글꼴 파일을 생성하는 최초의 방법으로 규정합니다.

• 자동화: 이 접근 방식은 가변 글꼴을 만드는 데 필요한 수동 엔지니어링 노력을 크게 줄여, 방대한 정적 글꼴 라이브러리를 가변 형식으로 전환할 수 있는 가능성을 열어줍니다.
• 통합 프레임워크: 속성 임베딩과 AdaLN을 사용함으로써, 수동으로 정의하거나 단순한 휴리스틱으로 처리하기 어려운 복잡한 다중 축 상호작용을 포착합니다.
• 실용적 유용성: 출력물은 브라우저 및 디자인 소프트웨어에서 후처리 없이 즉시 사용할 수 있는 표준 준수 OpenType 가변 글꼴(.ttf)입니다.
• 광범위한 영향: 타이포그래피를 넘어, 본 논문은 벡터 그래픽에서 구조화된 파라메트릭 변형을 학습하기 위한 제안된 프레임워크가 다른 기하학적 영역으로도 확장될 수 있음을 시사합니다.

저자들은 현재 방식이 기하학적 아웃라인 변형에 집중하고 있으며, 커닝(kerning), 전역 간격(global spacing), 또는 힌팅(hinting) 지침과 같은 타이포그래피 구성 요소는 아직 예측하지 못한다는 점을 인정하며 한계점에 대해 겸허한 입장을 유지했습니다. 이는 향후 연구 분야로 남겨둔 과제입니다.