論文の概要: NIV: Neural Axis Variations for Variable Font Generation

• arxiv url: http://arxiv.org/abs/2606.05261v1
• Date: Wed, 03 Jun 2026 16:17:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-05 22:39:44.293163
• Title: NIV: Neural Axis Variations for Variable Font Generation
• Title（参考訳）: NIV: 可変フォント生成のためのニューラル軸変化
• Authors: Nadav Benedek, Ariel Shamir, Ohad Fried,
• Abstract要約: 可変フォントは、重み、幅、スラント、光学サイズなどの意味軸に沿ってグリフ幾何学の連続的な変化を可能にする。 静的フォントを完全に機能する可変フォントに自動的に変換するNIVを導入する。 NIVは、見えないコードポイント、見えないフォントスタイル、高複雑さKグリフ、さらには配布外手書き入力を一般化する。
• 参考スコア（独自算出の注目度）: 28.031882335724763
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Variable fonts enable continuous variation of glyph geometry along semantic design axes such as weight, width, slant, and optical size. However, constructing a variable font from a static font remains a labor-intensive process requiring expert typographic design and manual specification of glyph variation data. We introduce NIV (Neural Axis Variations), a method that automatically converts a static font into a fully functional variable font. Given glyph outlines and a set of desired design axes, NIV predicts per-point displacements. The model operates directly on vector glyph geometry and employs a novel Property Embedding mechanism that captures interactions between multiple axes, enabling consistent multi-axis variation within a unified framework. We train NIV on a newly constructed dataset derived from variable Google Fonts, comprising over one million variation tuples. The resulting model generalizes across unseen code points, unseen font styles, high-complexity CJK glyphs, and even out-of-distribution handwriting inputs. The generated outputs are standard variable font files supporting continuous interpolation via existing rendering engines. To facilitate research, we release the dataset, the complete training and inference implementation, and trained models at https://github.com/ndvbd/NIV. Beyond typography, our approach demonstrates how structured geometric objects with continuous parametric variation can be synthesized using neural deformations.
• Abstract（参考訳）: 可変フォントは、重量、幅、スラント、光学サイズなどのセマンティックデザイン軸に沿ってグリフ幾何学の連続的な変化を可能にする。 しかし、静的フォントから可変フォントを構築することは、専門的なタイポグラフィー設計とグリフ変動データの手動仕様を必要とする労働集約的なプロセスのままである。 NIV(Neural Axis Variations)は,静的フォントを完全に機能的な可変フォントに自動的に変換する手法である。 グリフの輪郭と所望の設計軸が与えられた場合、NIVは点当たりの変位を予測する。 このモデルはベクトルグリフ幾何を直接操作し、複数の軸間の相互作用をキャプチャする新しいプロパティ埋め込み機構を採用し、統一されたフレームワーク内で一貫した多軸変動を可能にする。 我々は、Google Fontsから派生した新たに構築されたデータセットでNIVをトレーニングし、100万以上の変異タプルからなる。 結果として得られたモデルは、目に見えないコードポイント、見えないフォントスタイル、複雑度の高いCJKグリフ、さらには配布外手書き入力を一般化する。 生成された出力は、既存のレンダリングエンジンを介して連続的な補間をサポートする標準の可変フォントファイルである。 研究を容易にするために、データセット、完全なトレーニングと推論の実装、およびトレーニングされたモデルをhttps://github.com/ndvbd/NIVでリリースします。 タイポグラフィー以外にも, 連続的なパラメトリック変動を伴う構造的幾何学的対象を, ニューラル変形を用いてどのように合成できるかを示す。

関連論文リスト

• VecGlypher: Unified Vector Glyph Generation with Language Models [49.18215716168074]
  VecGlypherはテキスト記述や画像例から直接、高忠実度ベクトルグリフを生成する。 VecGlypherはSVGパストークンを自動回帰的に出力し、中間文字とターゲット文字を避ける。
  論文  参考訳（メタデータ） (2026-02-25T00:27:23Z)
• VQ-Font: Few-Shot Font Generation with Structure-Aware Enhancement and Quantization [52.870638830417]
  本稿では,VQGANベースのフレームワーク(VQ-Font)を提案する。 具体的には、コードブック内でフォントトークンをカプセル化するために、VQGANを事前訓練する。その後、VQ-Fontは、合成したグリフをコードブックで洗練し、合成されたストロークと実世界のストロークのドメインギャップをなくす。
  論文  参考訳（メタデータ） (2023-08-27T06:32:20Z)
• VecFontSDF: Learning to Reconstruct and Synthesize High-quality Vector Fonts via Signed Distance Functions [14.166708010969502]
  本稿では,高品質なベクトルフォントの再構成と合成を行うために,エンドツーエンドのトレーニング可能なVecFontSDFを提案する。 提案したSDFに基づく暗黙的形状表現に基づいて、VecFontSDFは、各グリフを複数のパラボラ曲線で囲まれた形状プリミティブとしてモデル化することを学ぶ。
  論文  参考訳（メタデータ） (2023-03-22T16:14:39Z)
• Diff-Font: Diffusion Model for Robust One-Shot Font Generation [110.45944936952309]
  Diff-Fontという拡散モデルに基づく新しいワンショットフォント生成手法を提案する。 提案するモデルは,フォントライブラリ全体を生成することを目的として,参照として1つのサンプルのみを与える。 十分に訓練されたDiff-Fontは、フォントギャップやフォントのバリエーションに対して堅牢であるだけでなく、難しい文字生成において有望なパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2022-12-12T13:51:50Z)
• Scalable Font Reconstruction with Dual Latent Manifolds [55.29525824849242]
  タイポグラフィー解析とフォント再構成を行う深層生成モデルを提案する。 このアプローチによって、効果的にモデル化できるキャラクタの種類を大規模にスケールアップすることが可能になります。 多くの言語の文字タイプを表す様々なデータセット上でフォント再構成のタスクを評価する。
  論文  参考訳（メタデータ） (2021-09-10T20:37:43Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。