Fuzzy-Geometric Branch-Point Modeling for Structure-Aware Augmentation of Handwritten Chinese Characters

기술 요약: 필기체 한자(Chinese Characters)의 구조 인지적 증강을 위한 퍼지-기하학적 분기점 모델링

1. 문제 정의

서명 검증과 같은 고보안 애플리케이션에서 중요한 핸드라이팅 문자 인식(HCR), 특히 필기체 한자 인식(HCCR)은 두 가지 결정적인 병목 현상에 직면해 있습니다: 학습 데이터의 극심한 부족과 쓰기 궤적의 높은 불확실성입니다. 딥러닝이 이 분야를 발전시켰음에도 불구하고, 필기체 한자는 복잡한 획의 교차, 결합(ligature), 급격한 회전 등 복잡한 위상적 구조로 인해 독특한 과제를 제시합니다.

기존의 증강 방법론은 이러한 복잡성을 효과적으로 해결하지 못합니다:

• 기존의 기하학적 변환(예: affine, TPS)은 경직된 매핑에 의존하여 자연스러운 필기의 비선형적 확률성을 모사하는 표현력이 부족하며, 이로 인해 교차 영역에서 위상적 파손을 일으키는 경우가 많습니다.
• 생성 모델(예: GAN, Diffusion)은 명시적인 기하학적 제약이 부족하여, 특히 소량 데이터(few-shot) 시나리오에서 밀집되고 모호한 교차 지점에서의 위상적 붕괴와 특징 왜곡을 초래합니다.
• 전통적인 스켈레톤 기반 방법은 고전적인 불리언 논리(Boolean logic)와 명확한 임계값(crisp thresholds)에 의존합니다. 이러한 이진 결정 방식은 초서체(cursive scripts)의 구조적 부정확성 하에서 작동하지 않으며, 결과적으로 스켈레톤의 단절(과분할) 또는 연결 누락(미분할)을 야기합니다.

핵조 문제는 획이 확정적으로 연결되었는지 혹은 끊어졌는지 판단하기 어려운 "모호한(fuzzy)" 공간적 관계를 다룰 때, 현재의 방법들이 스켈레톤의 위상적 일관성과 물리적-의미적 무결성을 보존하지 못한다는 점입니다.

2. 방법론: FGSA 프레임워크

본 논문은 퍼지 기하학 기반 구조 인지(Fuzzy Geometry-Driven Structure-Aware, FGSA) 증강 프레임워크를 제안합니다. 이 방법론은 경직된 이진 위상 결정에서 연속적인 퍼지 기하학적 모델링으로 전환됩니다. 파이프라인은 네 가지 주요 단계로 구성됩니다:

A. 퍼지 분기점 멤버십 모델링 (Fuzzy Branch-Point Membership Modeling)
저자들은 분기점 탐지를 위해 하드 임계값을 사용하는 대신, 스켈레톤 공간 내의 퍼지 집합으로서 분기점을 모델링합니다. 두 가지 증거원을 통합하여 연속적인 분기점 멤버십 필드 $\mu_{\tilde{B}}(p)$를 구축합니다:

1. 위상적 모호성: 8-이웃 카디널리티(cardinality)에 기반한 멤버십 항으로, 전통적인 임계값($\tau=4$) 주변에 퍼지 허용 오차를 허용하도록 시그모이드 함수를 통해 매핑됩니다(중심을 $\tau=3.5$로 이동).
2. 구조 인지적 방향 발산(Directional Divergence): 회전 및 분기 지점에서의 획 역학(stroke-dynamics) 변화 강도를 포착하는 국소 접선 벡터 필드의 발산($\nabla \cdot \vec{v}$)을 정량화하는 항입니다.

이들은 가중치 인자 $\lambda$를 통해 융합되어 연속적인 멤버십 필드를 생성합니다. 이후 $\alpha$-cut(0.5로 설정)을 사용하여 필드를 디퍼지화(defuzzify)함으로써, 노이즈와 초서적 연결에 적응 가능한 견고한 위상적 스켈레톤을 추출합니다.

B. 비지도 대리 파라미터 최적화 (Unsupervised Surrogate Parameter Optimization)
수동 파라미터 튜닝이나 정답 주석(퍼지 영역에서는 모호함)에 대한 의존성을 제거하기 위해, 프레임워크는 비지도 차분 진화(differential evolution, DE) 알고리즘을 채택합니다.

• 대리 목적 함수: 최적화는 다음을 포함하는 복합 손실 함수 $L_{surrogate}$를 최소화합니다:
  • 기하학적 재구성 오차 ($L_{recon}$): 재구성된 3차 베지에 곡선(cubic Bézier curve)과 이산적 스켈레톤 픽셀 간의 피팅 오차.
  • 붕괴 방지 카운트 규제 ($L_{count}$): 과분할 또는 미분할을 방지하기 위해 탐지된 분기점의 수가 연결된 세그먼트의 수와 일치하도록 보장합니다.
  • 위상적 연속성 제약 ($L_{cont}$): 인접한 획 세그먼트 간의 접합부에서 $C_0$ 연속성을 강제합니다.
• DE 알고리즘은 파라미터 공간($\eta, \beta, \lambda$)을 탐색하여 분할 안정성과 재구성 충실도 사이의 균형을 맞추는 최적의 집합 $\Theta^*$를 찾습니다.

C. 퍼지 가이드 베지에 기하학적 재구성 (Fuzzy-Guided Bézier Geometric Reconstruction)
최적의 분기점이 식별되면, 스켈레톤은 독립적인 획 서브매니폴드(submanifold)로 분리됩니다. 각 세그먼트는 3차 베지에 곡선을 사용하여 매개변수화됩니다:

• 퍼지-크리스프 하이브리드 앵커링 (Fuzzy-Crisp Hybrid Anchoring): 끝점은 정제된 스켈레톤을 기반으로 결정론적으로 고정되는 반면, 내부 제어점은 운동학적 사전 지식(쓰기 방향 및 스케일)을 사용하여 초기화되고 정규화된 최소제곱 피팅을 통해 정밀화됩니다.
• 구조 인지적 증강: 제어점에 대해 퍼지 허용 범위 내에서 확률적 운동학적 섭동(stochastic kinematic perturbations)이 적용됩니다. 여기에는 끝점 경계 완화와 국소 좌표계를 가이드로 하는 내부 제어점 섭동이 포함되어, 구조적으로 충실하면서도 다양한 샘플을 생성합니다.

D. 형태학적 복원 (Morphological Restoration)
연속적인 베지에 곡선을 다시 이진 이미지로 렌더링할 때 발생하는 이산화 아티팩트(예: 들쭉날쭉한 윤곽선, 미세 공극)를 해결하기 위해, 위상적 무결성을 보장하는 형태학적 위상 재구성 메커니즘(열기 및 닫기 연산)이 적용됩니다.

3. 주요 기여

1. 퍼지-기하학적 분기점 모델링: 불확실한 분기점을 스켈레톤 공간 상의 퍼지 집합으로 표현하여, 취약한 이진 결정을 연속적인 멤버십 추정으로 완화하는 새로운 방법론을 제시했습니다.
2. 이중 증거 멤버십 함수: 이웃 기반의 위상적 모호성과 방향 필드 발산을 통합한 정식화를 통해, 초서적 연결 및 국소 노이즈 하에서도 견고한 스크리닝을 가능하게 했습니다.
3. 레이블 프리 대리 최적화: 대리 목적 함수를 사용하여 퍼지 파라미터를 적응적으로 최적화하는 비지도 메커니즘을 통해, 수동 주석 없이 베지에 기반 획 분리를 가능하게 했습니다.
4. LZUSig 벤치마크: 중국어 필기 서명의 미세한 구조적 퇴화에 특화된 대규모의 도전적인 데이터셋을 구축하여 공개했습니다.

4. 실험 결과

FGSA 프레임워크는 CASIA-HWDB1.1(표준 문자), ChiSig(배경 간섭이 있는 서명), 그리고 새로운 LZUSig(고도로 퇴화된 서명)의 세 가지 데이터셋에서 평가되었습니다.

• 성능 향상:
  • CASIA-HWDB1.1에서 FGSA는 **96.12%**의 인식 정확도를 달성하여, 베이스라인(96.00%)과 최신 SOTA인 FgAA(96.10%)를 근소하게 앞질렀으며, 저불확실성 시나리오에서의 안정성을 입증했습니다.
  • ChiSig에서 FGSA는 베이스라인 대비 단어 오류율(WER)을 44.39% 감소시켰으며, 이는 기하학적 변환(Affine: +41.33%, TPS: +40.27%) 및 생성 모델(zi2zi: +39.04%)보다 우수한 성능입니다.
  • 고도로 퇴화된 LZUSig에서 FGSA는 **44.81%**의 WER 감소를 달성하여, 차순위 방법(FgAA: +36.86%)보다 약 8 퍼센트 포인트 높은 격차로 앞섰습니다.
• 트레이드오프 분석:
  • FGSA는 작업 이득(Task Gain, $\Delta$WER), 구조적 충실도(Structural Fidelity, $R_f$), 정보 보존(Information Preservation, IP) 사이의 우월한 파레토 프런티어(Pareto frontier)를 달성했습니다.
  • 생성 모델은 시각적 다양성은 높았으나 낮은 구조적 충실도와 높은 정보 손실(왜곡)을 보였습니다. 반면 FGSA는 높은 $R_f$(FgAA와 유사한 수준)를 유지하면서도 훨씬 높은 인식 성능 향상을 제공했습니다.
• 어블레이션 연구 (Ablation Studies):
  • 구조 인지 항을 제거했을 때($\lambda=1$) 성능이 급격히 하락하여($\Delta$WER이 +44.39에서 +17.44로 감소), 방향 발산 모델링의 필요성을 확인했습니다.
  • 비지도 파라미터 최적화를 제거하면 성능이 감소하였으며, 이는 정적 파라미터가 이질적인 기하학적 변화에 적응할 수 없음을 증명합니다.

5. 의의 및 주장

본 논문은 FGSA가 작업 이득, 구조적 충실도, 판별적 특징 보존 사이의 견고한 트레이드오프를 달성하는 고도로 제어 가능한 솔루션을 제공한다고 주장합니다.

• 이론적 발전: 분기점 탐지를 퍼지 집합 문제로 정식화함으로써, 전통적인 이진 논리가 실패하는 복잡한 초서체에서의 위상적 불확실성 모델링이라는 이론적 병목 현상을 해결했습니다.
• 실질적 영향: 본 프레임워크는 구조적 아티팩트를 도입하지 않으면서도 필기자의 미세한 위상적 변화와 개인적 습관을 보존하는 고품질 합성 샘플을 생성함으로써, 고보안/저자원 시나리오(예: 법의학적 조사, 금융 거래)에서 견고한 인식을 가능하게 합니다.
• 데이터셋 기여: LZUSig의 출시는 기존 문헌에서 다뤄지지 않았던 미세한 구조적 퇴화를 평가하기 위한 필수적인 벤치마크를 제공합니다.

저자들은 경직된 이진 형태학에서 연속적인 퍼지-기하학적 모델링으로 전환하는 것이 고도로 퇴화된 필기체의 상태 공간 폭발 문제를 해결하는 핵심 경로이며, 이는 엔드투엔드 구조적 증강 및 도메인 간 스타일 전이 연구의 미래를 제시한다고 결론짓습니다.