論文の概要: Srijika: OpenType-Layout-Reusing Font Restyling for Nine Indic Scripts
- arxiv url: http://arxiv.org/abs/2609.05661v1
- Date: Fri, 04 Sep 2026 18:46:52 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-10 19:44:08.104635
- Title: Srijika: OpenType-Layout-Reusing Font Restyling for Nine Indic Scripts
- Title（参考訳）: Srijika:9つのインデックススクリプトのためのOpenType-Layout-Reusing Font Restyling
- Abstract要約: Srijikaは9つのBrahmicスクリプト用にインストール可能なOpenTypeフォントを生成するシステムである。
Srijikaは、スクラッチからフォントを生成するのではなく、シェーピング完全テンプレートフォントからグリフアウトラインを書き換える。
Srijikaは66のTF、57のキュレートされたプレセットと9つのオープン語彙のショーケースフォントを生産している。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We present Srijika, a system for producing installable OpenType fonts for nine Brahmic scripts: Devanagari, Tamil, Bengali, Telugu, Kannada, Malayalam, Gujarati, Gurmukhi, and Odia. Rather than generating fonts from scratch, Srijika restyles glyph outlines from shaping-complete template fonts. It preserves the template's cmap and GSUB closure and its GPOS data under a documented metric policy, making every output a complete font by construction. This addresses a central challenge of Indic font generation: hundreds to thousands of conjuncts, half forms, and matra variants must remain mutually consistent under OpenType shaping. Srijika produces 66 TTFs: 57 curated presets and nine open-vocabulary showcase fonts. All pass the OpenType Sanitizer, while HarfBuzz and CoreText reproduce the template glyph-ID sequences on conjunct-heavy probes. A full-closure audit covering 80,915 glyphs and 54,812 anchors quantifies metric changes. Natural-language style selection uses Lipika, a retrieval index over approximately 650 open-license font families. A reference-conditioned latent diffusion model redraws template glyphs in the selected style, followed by content gating, harmonization, and shaped-cluster verification with fallback to template outlines. We evaluate against no-learning baselines. On diffusion-training-family-held-out SSIM gates, template copying outperforms generation on 50 of 56 faces. Style movement is measurable only with an internal same-model embedding whose training corpus includes the held-out families, so these results require caution. A learned baseline, independent style metric, and human study are outside this report's scope. Our contributions are the layout-reusing formulation and pipeline, its nine-script audit and benchmark, and a negative-results catalogue covering failed conditioning, objective choices, and data-hull limits of reference-guided restyling.
- Abstract（参考訳）: 我々は,9つのブラフミック文字のためのインストール可能なOpenTypeフォントを生成するシステムであるSrijikaを紹介した。
Srijikaはスクラッチからフォントを生成するのではなく、整形完全なテンプレートフォントからグリフアウトラインを書き換える。
テンプレートのcmap と GSUB のクロージャと GPOS データを文書化されたメトリックポリシーで保存し、すべての出力を構成によって完全なフォントにする。
これはIndicフォント生成における中心的な課題に対処する。数百から数千の接続、半形式、マトラの変種は、OpenTypeのシェーピングの下で相互に一貫性を保たなければならない。
Srijikaは66のTF、57のキュレートされたプレセットと9つのオープン語彙のショーケースフォントを生産している。
いずれも OpenType Sanitizer をパスし、HarfBuzz と CoreText は Conjunct-heavy プローブ上でテンプレートの glyph-ID シーケンスを再生する。
80,915個のグリフと54,812個のアンカーを含む全閉鎖監査は、メートル法の変化を定量化する。
自然言語スタイルの選択は、約650のオープンライセンスフォントファミリーの検索インデックスであるLipikaを使用している。
基準条件付潜伏拡散モデルでは、選択したスタイルでテンプレートグリフを再描画し、続いてコンテンツゲーティング、調和、テンプレートアウトラインへのフォールバックによる形状クラスタ検証を行う。
学習のベースラインに反する評価を行う。
拡散訓練ファミリーホールドアウトSSIMゲートでは、56面中50面のテンプレートコピーが優れていた。
スタイルムーブメントは、トレーニングコーパスに保持された家族を含む内部の同モデル埋め込みでのみ測定可能であるため、これらの結果には注意が必要である。
学習ベースライン、独立したスタイルのメトリクス、人間の研究は、このレポートの範囲外である。
私たちのコントリビューションは、レイアウトの再利用とパイプライン、9スクリプトの監査とベンチマーク、失敗条件、客観的な選択、参照誘導型リサイリングのデータ-ホール制限をカバーした負のリサートカタログです。
関連論文リスト
- Active Reference Acquisition in Few-Shot Font Generation [4.399563188884702]
短いショットフォント生成は、1つまたは数個の参照グリフが与えられたフォントの残りのグリフを合成することを目的としている。
本稿では,Few-Shot Font Generationにおけるアクティブ参照獲得という新たなフレームワークを提案し,次に獲得するキャラクタを逐次決定する。
論文 参考訳（メタデータ） (2026-06-15T10:04:06Z) - Design and Development of a Framework For Stroke-Based Handwritten Gujarati Font Generation [0.0]
本稿では,手書き文字のバリエーションを模倣して,手書きフォントをグジャラート文字で生成するための枠組みを設計することを目的とする。
学習段階では、Gujaratiスクリプトを解析し、各文字を設計するためのルールを定式化する。
生成フェーズでは、ユーザは文字の小さなサブセットを提供し、システムは残りの文字グリフを自動的に生成する。
論文 参考訳（メタデータ） (2024-04-04T08:04:00Z) - Few shot font generation via transferring similarity guided global style
and quantization local style [11.817299400850176]
文字類似性に基づくグローバル特徴とスタイル化コンポーネントレベルの表現からスタイルを集約する新しいフォント生成手法を提案する。
我々のAFFG法は、コンポーネントレベルの表現の完全なセットを得ることができ、また、グローバルなグリフ特性を制御できる。
論文 参考訳（メタデータ） (2023-09-02T05:05:40Z) - 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) - CF-Font: Content Fusion for Few-shot Font Generation [63.79915037830131]
本稿では、コンテンツ特徴をベースフォントのコンテンツ特徴によって定義される線形空間に投影するコンテンツ融合モジュール(CFM)を提案する。
提案手法では,参照画像のスタイル表現ベクトルの最適化も可能である。
我々は,6.5k文字の300フォントのデータセットを用いて評価を行った。
論文 参考訳（メタデータ） (2023-03-24T14:18:40Z) - Few-shot Font Generation by Learning Style Difference and Similarity [84.76381937516356]
異なるスタイルの違いと同一スタイルの類似性(DS-Font)を学習する新しいフォント生成手法を提案する。
具体的には,提案するクラスタレベルコントラシブ・スタイル(CCS)の損失により,スタイルエンコーディングを実現する多層型プロジェクタを提案する。
論文 参考訳（メタデータ） (2023-01-24T13:57:25Z) - 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) - Few-Shot Font Generation by Learning Fine-Grained Local Styles [90.39288370855115]
フラッシュショットフォント生成(FFG)は、いくつかの例で新しいフォントを生成することを目的としている。
提案手法は,1)参照からきめ細かな局所スタイルを学習し,2)コンテンツと参照グリフの空間的対応を学習するフォント生成手法である。
論文 参考訳（メタデータ） (2022-05-20T05:07:05Z) - XMP-Font: Self-Supervised Cross-Modality Pre-training for Few-Shot Font
Generation [13.569449355929574]
本稿では,自己教師型クロスモダリティ事前学習戦略とクロスモダリティトランスフォーマーを用いたエンコーダを提案する。
エンコーダは、グリフ画像と対応するストロークラベルとを共同で条件付けする。
1つの参照グリフしか必要とせず、2番目のベストよりも28%低い数ショットフォント生成タスクにおいて、悪いケースの最低率を達成する。
論文 参考訳（メタデータ） (2022-04-11T13:34:40Z) - 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) - Few-shot Compositional Font Generation with Dual Memory [16.967987801167514]
我々は、新しいフォント生成フレームワークDual Memory-augmented Font Generation Network (DM-Font)を提案する。
我々は、構成性を活用するために、メモリコンポーネントとグローバルコンテキスト認識をジェネレータに採用する。
韓国手書きフォントとタイ手書きフォントの実験では,本手法が忠実なスタイリングによるサンプルの品質を著しく向上させることがわかった。
論文 参考訳（メタデータ） (2020-05-21T08:13:40Z)
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。