論文の概要: MLFont: Machine Learning-Driven Font Subsetting and Range-Compact Unicode-Range Slicing for Low-Latency Web Typography

• arxiv url: http://arxiv.org/abs/2610.24937v1
• Date: Sun, 18 Oct 2026 01:15:49 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-10-20 22:18:36.942777
• Title: MLFont: Machine Learning-Driven Font Subsetting and Range-Compact Unicode-Range Slicing for Low-Latency Web Typography
• Title（参考訳）: MLFont: 低レイテンシWebタイポグラフィのための機械学習駆動フォントサブセットとレンジコンパクトUnicode-Rangeスライシング
• Abstract要約: 機械学習フレームワークは、コーパスからフォントスライシング戦略を学ぶ。 5つのGoogle Notoフォントで、MLFontはファイル毎の3Gレイテンシを、単一ファイル配信で56.7%-7に削減する。
• 参考スコア（独自算出の注目度）: 9.064742170456535
• License:
• Abstract: CSS3 @font-face rules with unicode-range descriptors partition web fonts into downloadable slices. While Latin fonts need ~20 KB in WOFF2, Pan-European (LGC) and East Asian (CJK) fonts contain 2,297-30,759 codepoints (158 KB-5.9 MB in WOFF2), where heuristic partitioning causes unused-glyph downloads, high HTTP RTT, CSS bloat, or missing-glyph fallbacks. We present MLFont, a machine learning and optimization framework that learns font slicing strategies from corpora via three stages: (1) a Zipfian High-Frequency Tier (most) isolating top-frequency codepoints; (2) a Latent Co-Occurrence Topic Tier using Online Variational Bayes LDA (Online LDA) or a Deep Neural Network Topic Model (DNNTM) with Shannon Entropy Difference Loss and Sinkhorn-Knopp normalization; and (3) a Memetic Range-Compact Genetic Algorithm (GA) with Potts-Viterbi dynamic programming and island bridging that minimizes topic discrepancy and CSS fragmentation. Across five Google Noto fonts (LGC, KR, JP, TC, SC), MLFont cuts 3G per-glyph latency by 56.7%-75.3% over single-file delivery and 46.1%-66.3% over equal-bin baselines on CJK with 100% coverage, reduces CSS intervals by 17.9%-41.7%, and achieves 1.56x-6.09x cold-cache speedups (65.4%-84.9% CJK and 44.7% LGC bandwidth savings) across 20 websites in simulator and Headless Chrome benchmarks (45/45 exact slice-set parity). Code: https://github.com/wq2012/mlfont Models: https://huggingface.co/collections/wq2012/mlfont
• Abstract（参考訳）: CSS3 @font-face Rule with unicode-range descriptorsはWebフォントをダウンロード可能なスライスに分割する。 ラテン文字フォントはWOFF2で20KB、Pan-European(LGC)とEast Asian(CJK)フォントは2,297-30,759のコードポイント(WOFF2で158KB-5.9MB)を必要とするが、ヒューリスティックなパーティショニングは未使用のグリフダウンロード、高いHTTP RTT、CSS bloat、または欠落グリフフォールバックを引き起こす。 我々は,(1) Zipfian High-Frequency Tier ( most) isolating top- frequency codepoints; (2) Latent Co-Occurrence Topic Tier using Online Variational Bayes LDA (Online LDA) or a Deep Neural Network Topic Model (DNNTM) with Shannon Entropy difference Loss and Sinkhorn-Knopp normalization; (3) Memetic Range-Compact Genetic Algorithm (GA) with Potts-Viterbi dynamic programming and island bridging that minimize the topic discrepancy and CSS fragmentation。 5つのGoogle Notoフォント(LGC, KR, JP, TC, SC)のうち、MLFontは、シングルファイル配信で3Gのレイテンシを56.7%-75.3%、CJKで100%カバレッジで46.1%-66.3%削減し、CSSインターバルを17.9%-41.7%削減し、1.56x-6.09xのコールドキャッシュスピードアップ(65.4%-84.9%、CJKで44.7%のLGC帯域節約)を、シミュレーターおよびヘッドレスChromeベンチマーク(45/45の完全なスライスセットパリティ)で20のWebサイトにわたって達成している。 コード: https://github.com/wq2012/mlfont Models: https://huggingface.co/collections/wq2012/mlfont

関連論文リスト

• LoGAN: Multilingual Font Localization with Generative Agents [11.01687899097962]
  本稿では,VLMに基づく多言語フォントローカライズのためのフレームワークであるLoGANを提案する。 LoGANはフォントやロゴの文字から少数の個々のグリフを取り込んで、他の言語で完全な文字セットを生成する。 フォントと現実世界の両方のロゴデータセットに対するアプローチを27言語以上にわたって評価した。
  論文  参考訳（メタデータ） (2026-09-07T04:34:15Z)
• Srijika: OpenType-Layout-Reusing Font Restyling for Nine Indic Scripts [0.0]
  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。
  論文  参考訳（メタデータ） (2026-09-04T18:46:52Z)
• pico-type: A 1.5M-Parameter Byte-Level Multi-Head Content Classifier [0.0]
  pico-typeはバイトレベルのマルチヘッドコンテンツ分類システムである。 同時に、raw-8バイトから7つのコンテンツ特性を1つのフォワードパスで予測する。 このアーキテクチャは、学習されたバイトの埋め込み、3つの畳み込みブロックと、成長する受容場、回転位置エンコーディングを持つ2つの双方向の注意層と、7つのマトリオシカスタイルの分類ヘッドを供給している統計プール層を組み合わせている。 4つのネクタイ付き変種(tiny/small/base/pro)は、16から576次元のスライスされた表現で同じトランクを共有し、210KB未満のONNXエクスポートと10ms以下のCPU推論を生成する。
  論文  参考訳（メタデータ） (2026-07-31T12:20:03Z)
• Omnilingual SONAR: Cross-Lingual and Cross-Modal Sentence Embeddings Bridging Massively Multilingual Text and Speech [61.759910921200834]
  言語間の文エンコーダは通常、数百の言語をカバーしている。 我々はOmniSONARを紹介した。OmniSONARは全言語、言語横断、言語横断の文埋め込みモデルである。
  論文  参考訳（メタデータ） (2026-03-17T14:47:35Z)
• 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)
• Tamizhi-Net OCR: Creating A Quality Large Scale Tamil-Sinhala-English Parallel Corpus Using Deep Learning Based Printed Character Recognition (PCR) [2.0305676256390934]
  低リソース言語のほとんどは、実質的なモノリンガルコーパスを作成するために必要なリソースを持っていない。 これらの言語は政府の手続きでしばしば見られるが、主にレガシーフォントを含むポータブル文書フォーマット(PDF)の形式である。 これらの文書からテキストを抽出してモノリンガルコーパスを作成することは、レガシーフォントの使用とプリンタフレンドリーなエンコーディングのために困難である。
  論文  参考訳（メタデータ） (2021-09-13T13:26:30Z)

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。