In our research, we study the problem of font synthesis using an end-to-end conditional deep adversarial network with a small sample of Korean characters (Hangul). Hangul comprises of 11,172 characters and is composed by writing in multiple placement patterns. Traditionally, font design has required heavy-loaded human labor, easily taking one year to finish one style set. Even with the help of programmable approaches, it still takes a long time and cannot escape the limitations around the freedom to change parameters. Many trials have been attempted in deep neural network areas to generate characters without any human intervention. Our research focuses on an end-to-end deep learning model, the Skeleton-Driven Font generator (SKFont): when given 114 samples, the system automatically generates the rest of the characters in the same given font style. SKFont involves three steps: First, it generates complete target font characters by observing 114 target characters. Then, it extracts the skeletons (structures) of the synthesized characters obtained from the first step. This process drives the system to sustain the main structure of the characters throughout the whole generation processes. Finally, it transfers the style of the target font onto these learned structures. Our study resolves long overdue shortfalls such as blurriness, breaking, and a lack of delivery of delicate shapes and styles by using the ‘skeleton-driven’ conditional deep adversarial network. Qualitative and quantitative comparisons with the state-of-the-art methods demonstrate the superiority of the proposed SKFont method.

在我们的研究中，我们使用具有少量韩文字符样本的端到端条件深度对抗网络来研究字体合成问题。韩文由 11,172 个字符组成，由多种放置模式书写而成。传统上，字体设计需要繁重的人力劳动，轻松完成一个样式集需要一年时间。即使借助可编程方法，它仍然需要很长时间，并且无法摆脱围绕自由更改参数的限制。已经在深度神经网络领域尝试了许多试验，以在没有任何人工干预的情况下生成字符。我们的研究侧重于端到端深度学习模型，即骨架驱动字体生成器 (SKFont)：当给定 114 个样本时，系统会自动生成具有相同给定字体样式的其余字符。SKFont 包括三个步骤：首先，它通过观察 114 个目标字符生成完整的目标字体字符。然后，它提取从第一步获得的合成字符的骨架（结构）。这个过程驱动系统在整个生成过程中维持角色的主要结构。最后，它将目标字体的样式转移到这些学习到的结构上。我们的研究通过使用“骨架驱动”的条件深度对抗网络解决了早就应该出现的不足，例如模糊、破碎以及缺乏精细形状和样式的传递。与最先进方法的定性和定量比较证明了所提出的 SKFont 方法的优越性。它通过观察114个目标字符生成完整的目标字体字符。然后，它提取从第一步获得的合成字符的骨架（结构）。这个过程驱动系统在整个生成过程中维持角色的主要结构。最后，它将目标字体的样式转移到这些学习到的结构上。我们的研究通过使用“骨架驱动”的条件深度对抗网络解决了早就应该出现的不足，例如模糊、破碎以及缺乏精细形状和样式的传递。与最先进方法的定性和定量比较证明了所提出的 SKFont 方法的优越性。它通过观察114个目标字符生成完整的目标字体字符。然后，它提取从第一步获得的合成字符的骨架（结构）。这个过程驱动系统在整个生成过程中维持角色的主要结构。最后，它将目标字体的样式转移到这些学习到的结构上。我们的研究通过使用“骨架驱动”的条件深度对抗网络解决了早就应该出现的不足，例如模糊、破碎以及缺乏精细形状和样式的传递。与最先进方法的定性和定量比较证明了所提出的 SKFont 方法的优越性。这个过程驱动系统在整个生成过程中维持角色的主要结构。最后，它将目标字体的样式转移到这些学习到的结构上。我们的研究通过使用“骨架驱动”的条件深度对抗网络解决了早就应该出现的不足，例如模糊、破碎以及缺乏精细形状和样式的传递。与最先进方法的定性和定量比较证明了所提出的 SKFont 方法的优越性。这个过程驱动系统在整个生成过程中维持角色的主要结构。最后，它将目标字体的样式转移到这些学习到的结构上。我们的研究通过使用“骨架驱动”的条件深度对抗网络解决了早就应该出现的不足，例如模糊、破碎以及缺乏精细形状和样式的传递。与最先进方法的定性和定量比较证明了所提出的 SKFont 方法的优越性。并且缺乏通过使用“骨架驱动”的条件深度对抗网络来传递精致的形状和样式。与最先进方法的定性和定量比较证明了所提出的 SKFont 方法的优越性。并且缺乏通过使用“骨架驱动”的条件深度对抗网络来传递精致的形状和样式。与最先进方法的定性和定量比较证明了所提出的 SKFont 方法的优越性。