SmartFont: 소량 데이터 기반 글꼴 생성을 위한 동적 조건 할당

SmartFont: Dynamic Condition Allocation for Few-Shot Font Generation

소량 데이터 기반 글꼴 생성은 전체적인 구조의 완전성과 세밀한 로컬 스타일 일관성을 동시에 요구합니다. 기존 방법들은 주로 전역 콘텐츠-스타일 모델링에 의존하는데, 이는 견고하지만 완벽하게 분리되지 않거나, 구성 요소/로컬 모델링을 강조하여 세부 사항을 포착하지만 로컬 사전 정보 및 참조 데이터에 크게 의존하는 경향이 있습니다. 본 연구에서는 주요 과제가 순수한 조건을 학습하는 것뿐만 아니라, 생성 과정에서 다양한 수준의 할당을 통해 상호 보완적이면서도 편향된 전역적 조건과 로컬 조건을 조직하는 데 있다는 점을 주장합니다. 이를 위해, 우리는 글로벌 콘텐츠-스타일 생성을 약하게 감독되는 로컬 교정 전문가와 결합한 확산 모델 기반의 소량 데이터 글꼴 생성 프레임워크인 SmartFont를 제안합니다. 로컬 브랜치는 약한 구성 요소 감독 하에서 전문가별 로컬 개념과 의미 있는 공간 맵을 학습하여 의미-공간 할당을 수행함으로써, 명시적인 구성 요소 조건 추론 없이도 세밀한 수정을 가능하게 합니다. 또한, 노이즈 제거 단계에서의 조건 할당 모듈은 시간 단계와 삽입 블록에 따라 전역 콘텐츠, 전역 스타일 및 로컬 교정 기능을 적응적으로 가중합니다. 광범위한 실험 결과는 SmartFont가 더 나은 글로벌-로컬 균형을 달성하고 글리프 품질과 로컬 세부 사항의 일관성을 향상시킴을 보여줍니다.

Few-shot font generation simultaneously requires global structural completeness and fine-grained local style fidelity. Existing methods usually either rely on global content-style modeling, which is robust but imperfectly disentangled, or emphasize component/local modeling, which captures fine details but relies heavily on local priors and reference coverage. We argue that the key challenge is not merely to learn purer conditions, but to organize complementary yet biased global and local conditions through multi-level allocation during generation. To this end, we propose SmartFont, a diffusion-based few-shot font generation framework that combines global content-style generation with weakly supervised local corrective experts. The local branch performs semantic-spatial allocation by learning expert-wise local concepts and semantically meaningful spatial maps under weak component supervision, enabling fine-grained correction without requiring explicit component-conditioned inference. On top of this, a denoising-state condition allocation module adaptively weights global content, global style, and local corrective feature across timesteps and injection blocks. Extensive experiments show that SmartFont achieves better global-local balance, improves glyph quality and local detail fidelity.