4 分で読了
0 views

書体完成を実現する生成対抗ネットワーク

(Typeface Completion with Generative Adversarial Networks)

さらに深い洞察を得る

AI戦略の専門知識を身につけ、競争優位性を構築しませんか?

AIBR プレミアム
年間たったの9,800円で
“AIに詳しい人”として
一目置かれる存在に!

プレミア会員になって、山ほどあるAI論文の中から効率よく大事な情報を手に入れ、まわりと圧倒的な差をつけませんか?

詳細を見る
【実践型】
生成AI活用キャンプ
【文部科学省認可】
満足度100%の生成AI講座
3ヶ月後には、
あなたも生成AIマスター!

「学ぶ」だけではなく「使える」ように。
経営者からも圧倒的な人気を誇るBBT大学の講座では、3ヶ月間質問し放題!誰1人置いていかずに寄り添います。

詳細を見る

田中専務

拓海先生、最近部署で「フォントをAIで作れるらしい」と聞きまして、現場が騒いでいます。そもそもフォントの「書体完成」って何をするんですか、教えていただけますか。

AIメンター拓海

素晴らしい着眼点ですね!書体完成とは、ある書体の一文字を与えるだけで、その書体にそろえた全文字を自動生成する技術です。簡単に言うと、見本1枚から同じ顔つきの全ての文字を作れるんですよ。

田中専務

要するに、デザイン担当に全部頼まなくても一文字の見本で新しい書体を揃えられるという理解でいいですか。それならコスト削減につながりそうですね。

AIメンター拓海

大丈夫、一緒にやれば必ずできますよ。今回の研究はGenerative Adversarial Networks(GAN、生成対抗ネットワーク)を使って、与えた文字からスタイル(書体)と内容(字形)を分けて扱い、全文字を生成する仕組みを提示しています。要点は三つにまとめられますよ。

田中専務

三つ!ぜひ聞かせてください。まず投資対効果の話として、どのくらいの手間が省けるのか現実的な話が知りたいです。

AIメンター拓海

いい質問です。要点の一つ目は、少数の見本から書体全体を作れるため、デザイナーの作業工数が大きく下がる点です。二つ目は、スタイルと内容を分離する設計で新しい書体に一般化しやすい点、三つ目は既存の画像翻訳モデルとの比較で効率的に学べる点です。経営判断で必要な「効果の見積もり」に直結しますよ。

田中専務

技術面の不安もあります。うちの現場は手描きのロゴが多いのですが、機械が違和感なく揃えられるのでしょうか。これって要するに「スタイルを抽出して別の文字に貼り付ける」だけということではないのですか。

AIメンター拓海

素晴らしい観点ですね!違いを簡単に言えば、単に貼り付けるだけではなく、モデルは一文字の画像を二つの潜在表現、すなわち書体(style/typeface)を表すベクトルと内容(character content)を表すベクトルに分けます。これにより、文字ごとの字形を保持しつつ、与えた書体に自然に馴染む字形変換が可能になるんです。

田中専務

なるほど、理屈はわかってきました。導入の難易度はどうでしょうか。社内にAI人材がほとんどいないのですが、外注で済む話か自前で育てるべきか悩んでいます。

AIメンター拓海

大丈夫、共に進められますよ。短く言うと導入はフェーズに分けるのが良いです。まず外注やPoCで効果を確認してから、効果が明確になれば内製化を進める。要点は三つ、早期検証、効果測定、段階的投資です。

田中専務

わかりました。最後に、我々が会議で説明するとき、上司にパッと言える短いまとめをください。どの言葉を使えば理解を得やすいですか。

AIメンター拓海

素晴らしい着眼点ですね!短いフレーズを三つ用意します。1)「見本一枚で全体を揃えられ、デザイン工数を削減できる」2)「スタイルと字形を分離して高精度に生成する」3)「まずはPoCで効果を確認して段階的に投資する」。これで経営判断がしやすくなりますよ。

田中専務

ではまとめますと、まずは外部に見本を渡してPoCをやり、効果が出れば内製化やライセンス化を検討する。投資は段階的に行い、最終的にデザインの工数削減を狙うという理解でよろしいですね。よく整理できました、ありがとうございます。

監修者

阪上雅昭(SAKAGAMI Masa-aki)
京都大学 人間・環境学研究科 名誉教授

論文研究シリーズ
前の記事
RSAによる分散学習の耐ビザンチン性強化
(RSA: Byzantine-Robust Stochastic Aggregation Methods for Distributed Learning from Heterogeneous Datasets)
次の記事
M2M-GANによる多対多ドメイン転移学習で変わる人物再識別
(M2M-GAN: Many-to-Many Generative Adversarial Transfer Learning for Person Re-Identification)
関連記事
主観的答案の自動採点におけるオントロジー活用
(MACHINE LEARNING TECHNIQUES WITH ONTOLOGY FOR SUBJECTIVE ANSWER EVALUATION)
振動するマイクロチャネルを用いた赤血球のAI画像解析
(AI based analysis of red blood cells in oscillating microchannels)
胸部X線画像を用いたCOVID-19およびウイルス性肺炎の診断のための深層再現性特徴生成フレームワーク
(DEEP REPRODUCTIVE FEATURE GENERATION FRAMEWORK FOR THE DIAGNOSIS OF COVID-19 AND VIRAL PNEUMONIA USING CHEST X-RAY IMAGES)
デジタルツインと予後共変量調整を用いた長期臨床試験効率化
(Enhancing Longitudinal Clinical Trial Efficiency with Digital Twins and Prognostic Covariate-Adjusted Mixed Models for Repeated Measures)
外科行動トリプレット検出のための混合教師学習
(SURGICAL ACTION TRIPLET DETECTION BY MIXED SUPERVISED LEARNING OF INSTRUMENT-TISSUE INTERACTIONS)
子牛行動分類のためのROCKETとCatch22特徴の評価
(Evaluating ROCKET and Catch22 features for calf behaviour classification from accelerometer data using Machine Learning models)
この記事をシェア

有益な情報を同僚や仲間と共有しませんか?

AI技術革新 - 人気記事
ブラックホールと量子機械学習の対応
(Black hole/quantum machine learning correspondence)
生成AI検索における敏感なユーザークエリの分類と分析
(Taxonomy and Analysis of Sensitive User Queries in Generative AI Search System)
DiReDi:AIoTアプリケーションのための蒸留と逆蒸留
(DiReDi: Distillation and Reverse Distillation for AIoT Applications)

PCも苦手だった私が

“AIに詳しい人“
として一目置かれる存在に!
  • AIBRプレミアム
  • 実践型生成AI活用キャンプ
あなたにオススメのカテゴリ
論文研究
さらに深い洞察を得る

AI戦略の専門知識を身につけ、競争優位性を構築しませんか?

AIBR プレミアム
年間たったの9,800円で
“AIに詳しい人”として一目置かれる存在に!

プレミア会員になって、山ほどあるAI論文の中から効率よく大事な情報を手に入れ、まわりと圧倒的な差をつけませんか?

詳細を見る
【実践型】
生成AI活用キャンプ
【文部科学省認可】
満足度100%の生成AI講座
3ヶ月後には、あなたも生成AIマスター!

「学ぶ」だけではなく「使える」ように。
経営者からも圧倒的な人気を誇るBBT大学の講座では、3ヶ月間質問し放題!誰1人置いていかずに寄り添います。

詳細を見る

AI Benchmark Researchをもっと見る

今すぐ購読し、続きを読んで、すべてのアーカイブにアクセスしましょう。

続きを読む