[논문]딥러닝 기반의 한글 폰트 연구를 위한 한글 폰트 데이터셋

고홍희; 이현수; 석정재; 최재영

doi:10.3745/ktsde.2021.10.2.73

초록
AI-Helper

최근 딥러닝에 대한 관심이 증가하면서 이를 이용한 다양한 분야에서 연구가 진행되고 있다. 그러나 딥러닝 기반의 생성 모델을 이용하는 폰트의 자동 생성 연구들은 로마자 및 한자와 같은 몇 언어들에 국한되어 연구되고 있다. 한글 폰트 디자인은 매우 큰 시간과 비용이 들어가는 작업으로, 딥러닝을 이용하면 손쉽게 생성할 수 있다. 한글 폰트를 생성하는 연구는 딥러닝 기반의 생성 모델들과 발맞추기 위해 프로세스 자동화 관점에서 한글 폰트 데이터셋을 준비하는 것이 중요하다. 이를 위하여 본 논문에서는 딥러닝 기반의 한글 폰트 연구를 위한 한글 폰트 데이터셋을 제안하고. 그 데이터셋을 구성하는 방법을 기술한다. 본 논문에서 제안하는 한글 폰트 데이터셋을 기반으로 딥러닝 한글 폰트 생성 어플리케이션에 적용하는 과정을 통해 제안하는 데이터셋 구성의 유용성을 보인다.

Abstract ▼ AI-Helper

Recently, as interest in deep learning has increased, many researches in various fields using deep learning techniques have been conducted. Studies on automatic generation of fonts using deep learning-based generation models are limited to several languages such as Roman or Chinese characters. Gener...

Recently, as interest in deep learning has increased, many researches in various fields using deep learning techniques have been conducted. Studies on automatic generation of fonts using deep learning-based generation models are limited to several languages such as Roman or Chinese characters. Generating Korean font is a very time-consuming and expensive task, and can be easily created using deep learning. For research on generating Korean fonts, it is important to prepare a Korean font dataset from the viewpoint of process automation in order to keep pace with deep learning-based generation models. In this paper, we propose a Korean font dataset for deep learning-based Korean font research and describe a method of constructing the dataset. Based on the Korean font data set proposed in this paper, we show the usefulness of the proposed dataset configuration through the process of applying it to a deep learning Korean font generation application.

주제어

표/그림 (5)

그림 Fig. 1. Process for Generating Hangul Font Dataset
표 Table 1. Description for the Proposed Hangul Font Dataset
그림 Fig. 2. Examples of "NanumGothic" Font Dataset Based on the Proposed Dataset Structure
그림 Fig. 3. Example of Input Dataset Image for Deep Learning Applications (SDKorFont)
그림 Fig. 4. Result from Deep Learning Applications (SDKorFont) by Source, Target, and Output

AI 본문요약
AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

문제 정의

본 논문에서는 한글 폰트 글자의 특성을 반영한 데이터 셋을 제안한다. 또한 한글 폰트의 데이터셋을 설명하기 위한 구성정보와 이들을 처리하는 방법에 대해서 기술한다. 제안하는 데이터셋은 배포된 폰트들의 글자들이 갖는 특징을 값의 형태로 제공하여 딥러닝 학습과정에 입력정보로 활용할 수 있다.
본 논문에서는 딥러닝 기반의 폰트 생성 연구를 위한 한글 폰트 데이터셋을 제안하였다. 데이터셋에는 한글 폰트 61벌과 함께, 폰트들의 속성들을 포함하였으며, 딥러닝 어플리케이션에 적용하는 과정을 보였다.
하지만 로마자와는 다르게 한글 폰트의 데이터셋은 글자 수가 아주 많고 글자 및 자소의 배치, 자소가 갖는 획의 디자인 요소들이 매우 다양하여 한글 폰트의 데이터셋을 구성하는 것이 용이하지 않다. 본 논문에서는 한글 폰트 글자의 특성을 반영한 데이터 셋을 제안한다. 또한 한글 폰트의 데이터셋을 설명하기 위한 구성정보와 이들을 처리하는 방법에 대해서 기술한다.

제안 방법

3은 입력자료로 사용된 8개의 글자를 나타낸 것이다. SDKorFont 모델을 이용하여 입력자료를 학습하는 과정에서의 파라미터로 epoch 를 30으로 설정하였다. 그 결과 Fig.
실험을 통해 제안된 한글 폰트 데이터셋이 딥러닝 기반의 폰트 생성 어플리케이션에 적용한 결과와 효용성을 보인다. 딥러닝 학습 과정으로 언급된 단계 중 전처리단계에서 제안된 한글 폰트 데이터셋이 적용되며, 3.2절에서 언급된 처리 단계 중에서 3단계인 폰트 이미지와 폰트의 특성을 파일에 저장하는 기능은 Python의 pickle 패키지를 이용하였고, 5단계의 폰트 파일의 이미지를 생성하는 과정은 Python의 Pillow 패키지를 이용하였다. 또한 딥러닝 학습과정이 동작하는 환경은 python 3.
본 절에서는 제안하는 한글 폰트 데이터셋을 이용하여 한글 글자 이미지를 생성하는 실험을 진행하였다. 실험을 통해 제안된 한글 폰트 데이터셋이 딥러닝 기반의 폰트 생성 어플리케이션에 적용한 결과와 효용성을 보인다.
제안하는 한글 폰트 데이터셋은 기존의 로마자와 한자 등에서 활용할 수 있는 입력정보인 글자 이미지와 한글 폰트 특성을 반영하였다. 또한 한글 폰트 데이터셋의 처리과정의 각 단계는 수정 가능한 모듈로 구현하였으므로, 사용자의 연구목적에 따라 데이터셋의 구조를 유연하게 변경하여 사용할 수 있다.
0 버전을 이용하였다. 한글 글자 생성을 위해 딥러닝의 모델을 이용하여 한글 글자 이미지를 생성하는 실험을 진행하였다. 대표적인 딥러닝 생성모델인 GAN (Generative Adversarial Network)을 사용하였다.

대상 데이터

공개되어 있는 대표적인 데이터셋으로는 MNIST (Modified National Institute of Standards and Technology database)[6]가 있다. 이 데이터셋은 미국 국립표준기술연구소에서 만든 것으로 사람의 손글씨로 작성된 숫자들의 데이터베이스이다. MNIST 데이터셋은 딥러닝 모델의 이미지 인식, 이미지 분류 및 이미지 생성 분야에서 많이 사용된다.
이를 해결하기 위해, 본 논문에서 딥러닝 기반의 한글 폰트 연구에서 사용할 수 있는 한글 폰트 데이터셋을 수집하였고, 이를 처리한 방법을 데이터셋과 함께 공개하였다.
SDKorFont 모델은 pix2pix 기반으로 한글 글자 이미지를 생성하기 위해 특화된 딥러닝 모델이며, pix2pix와 동일한 형태의 입력자료를 통해 결과물을 생성한다. 입력 자료는 “나눔고딕” 폰트 글자 이미지 2, 350장을, 목표 글자 이미지는 “Mapo꽃섬” 폰트 글자 이미지 2, 350장을 사용하였다. Fig.
현재 딥러닝 연구들에서 사용되는 공개되어 있는 데이터셋들을 알아본다. 공개되어 있는 대표적인 데이터셋으로는 MNIST (Modified National Institute of Standards and Technology database)[6]가 있다.

이론/모형

한글 글자 생성을 위해 딥러닝의 모델을 이용하여 한글 글자 이미지를 생성하는 실험을 진행하였다. 대표적인 딥러닝 생성모델인 GAN (Generative Adversarial Network)을 사용하였다. 본 절에서는 GAN의 대표적 모델인 pix2pix[13] 모델을 변형한 SDKorFont[14] 모델을 이용하여 실험을 진행하였다.
대표적인 딥러닝 생성모델인 GAN (Generative Adversarial Network)을 사용하였다. 본 절에서는 GAN의 대표적 모델인 pix2pix[13] 모델을 변형한 SDKorFont[14] 모델을 이용하여 실험을 진행하였다. pix2pix 모델은 입력 이미지(Source)를 목표 이미지 (Target)로 변환시키는 이미지 변환 모델로서, 입력 이미지와 목표 이미지의 쌍(Pair)을 입력으로 주고, 목표 이미지와 유사한 출력이미지를 output으로 생성한다.

성능/효과

SDKorFont 모델을 이용하여 입력자료를 학습하는 과정에서의 파라미터로 epoch 를 30으로 설정하였다. 그 결과 Fig. 4와 같은 결과물을 얻을 수 있었으며, 입력과 출력을 비교하기 위해서 source, target, 그리고 output으로 나누어진 글자들을 통해 목표 글자 이미지와 유사한 결과물을 만들어낸 것을 확인할 수 있다.
제안하는 데이터셋은 배포된 폰트들의 글자들이 갖는 특징을 값의 형태로 제공하여 딥러닝 학습과정에 입력정보로 활용할 수 있다. 실험에서는 제안하는 한글 폰트의 데이터셋을 활용한 딥러닝 어플리케이션을 통해 한글 폰트 생성과정을 보임으로써, 제안하는 한글 데이터셋의 유용성을 보였다.
글자 이미지를 생성하는 실험을 진행하였다. 실험을 통해 제안된 한글 폰트 데이터셋이 딥러닝 기반의 폰트 생성 어플리케이션에 적용한 결과와 효용성을 보인다. 딥러닝 학습 과정으로 언급된 단계 중 전처리단계에서 제안된 한글 폰트 데이터셋이 적용되며, 3.

후속연구

본 논문의 실험에서는 한글 데이터셋을 이용하여 딥러닝 기반의 한글 생성을 진행하였지만, 한글 폰트와 관련된 다른 연구에서도 이 데이터셋이 사용될 수 있을 것으로 기대한다.
또한 한글 폰트의 데이터셋을 설명하기 위한 구성정보와 이들을 처리하는 방법에 대해서 기술한다. 제안하는 데이터셋은 배포된 폰트들의 글자들이 갖는 특징을 값의 형태로 제공하여 딥러닝 학습과정에 입력정보로 활용할 수 있다. 실험에서는 제안하는 한글 폰트의 데이터셋을 활용한 딥러닝 어플리케이션을 통해 한글 폰트 생성과정을 보임으로써, 제안하는 한글 데이터셋의 유용성을 보였다.

참고문헌 (14)

Y. Bengio, A. Courville, and P. Vincent, "Representation learning: A review and new perspectives," IEEE Transactions on Pattern Analysis and Machine Intelligence, Vol.35, No.8, pp.1798-1828, 2013.

상세보기
Y. Jiang, Z. Lian, Y. Tang, and J. Xiao, "DCFont: An end-to-end deep chinese font generation system," SIGGRAPH Asia 2017, Technical Briefs, 2017.
Y. Tian, "zi2zi: Master chinese calligraphy with conditional adversarial networks," [Internet] https://github.com/kaonashi-tyc/zi2zi.
J. Choi and S. Hong, "Aspects of the development of Korean font design in the digital era," Journal of Digital Design, Vol.8, No.2, pp.173-182, Apr. 2008.

상세보기
Korean Publishing Research Institute, Basic research in Hangul Style (in Korean), Korean Publishing Research Institute, 1990.
Y. LeCun, C. Cortes, and C. Burges, "The mnist database of handwritten digit," [Internet] http://yann.lecun.com/exdb/mnist/.
A. Krizhevsky, V. Nair, and G. Hinton, "The CIFAR-10 dataset," [Internet] https://www.cs.toronto.edu/-kriz/ cifar.html.
S. Azadi, M. Fisher, V. Kim, Z. Wang, E. Shechtman, and T. Darrell, "Multi-Content GAN for Few-Shot Font Style Transfer," IEEE Conference on Computer Vision and Pattern Recognition (CVPR), pp.7564-7573, 2018.
Y. Gao, Y. Guo, Z. Lian, Y. Tang, and J. Xiao, "Artistic glyph image synthesis via one-stage few-shot learning," ACM Transactions on Graphics, Vol.38, No.6, 2019.

상세보기
FontForge, Spline font Database [Internet], https://fontforge.org/docs/techref/sfdformat.html.
The Unicode Consortium, The Unicode Standard [Internet], https://www.unicode.org/standard/standard.html.
H. Min, A. Hassan, J. Suk. and J. Choi, "Font image dataset auto generating module based on unicode (in Korean)," in Proc. Korea Computer Congress 2020 (KCC2020), Vol.46, No.01, pp.1818-1820, 2019.
P. Isola, J.-Y. Zhu, T. Zhou, and A. Efros, "Image-to-image translation with conditional adversarial networks," in Proceedings of IEEE Conf. on Computer Vision and Pattern Recognition (CVPR), 2017.
D. H. Ko, A. Hassan, J. Suk, and J. Choi, "Korean font synthesis with GANs," in International Journal of Computer Theory and Engineering, Vol.12, No.4, pp.92-96, 2020.

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증

딥러닝 기반의 한글 폰트 연구를 위한 한글 폰트 데이터셋
Hangul Font Dataset for Korean Font Research Based on Deep Learning 원문보기

초록
AI-Helper

Abstract ▼ AI-Helper

주제어

표/그림 (5)

표/그림 (5)

AI 본문요약
AI-Helper

문제 정의

제안 방법

대상 데이터

이론/모형

성능/효과

후속연구

참고문헌 (14)

이 논문을 인용한 문헌

저자의 다른 논문 :

관련 콘텐츠

원문 보기

원문 URL 링크

오픈액세스(OA) 유형

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

연합인증

딥러닝 기반의 한글 폰트 연구를 위한 한글 폰트 데이터셋 Hangul Font Dataset for Korean Font Research Based on Deep Learning 원문보기

초록 용어보기논문에서 용어와 풀이말을 자동 추출한 결과로, 시범 서비스 중입니다. AI-Helper

Abstract ▼ AI-Helper

주제어

표/그림 (5) 모든 표/그림 보기

표/그림 (5) 슬라이드로 보기

AI 본문요약 엑셀 다운로드 AI-Helper

문제 정의

제안 방법

대상 데이터

이론/모형

성능/효과

후속연구

참고문헌 (14)

이 논문을 인용한 문헌

저자의 다른 논문 :

최재영 (77)

관련 콘텐츠

원문 보기

원문 URL 링크

오픈액세스(OA) 유형

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

딥러닝 기반의 한글 폰트 연구를 위한 한글 폰트 데이터셋
Hangul Font Dataset for Korean Font Research Based on Deep Learning 원문보기

초록
AI-Helper

표/그림 (5)

표/그림 (5)

AI 본문요약
AI-Helper