획 변환과 문자 비의존 점 분류 모델을 활용한 온라인 필기체 생성

기존 손글씨 생성은 이미지 기반 오프라인 방식의 품질은 높아졌지만 배경 노이즈와 획 연결의 부자연스러움이 남았고, 온라인 방식도 라틴·키릴 필기체의 핵심인 **연결 획(ligature)**을 자연스럽게 만들기 어려웠다. 이 방법은 문자별 규칙 대신 데이터로 구조를 학습하고, 그 결과를 바탕으로 획을 변형해 자연스러운 연결 필기체를 만든다.

핵심 파이프라인은 두 단계다.

• 구조 분할: 각 문자를 20개 점으로 선형 리샘플링하고, 좌표와 펜 상태만으로 입력을 구성한다. 문자 라벨은 쓰지 않으며, 2층 BiGRU를 쓴 경량 RNN 점 단위 분류기(약 1.2만 파라미터)가 각 점을 head/body/tail/isolated(머리/몸통/꼬리/독립)로 구분한다.
• 획 변형: 변형 가능한 구간의 끝점은 고정하고, 연결 거리·국소 매끄러움·원본 대비 이동량을 함께 최적화한다. 이 문제는 삼대각선 선형계로 바뀌어 **O(N)**에 풀린다.

실험은 영어 문장 생성으로 검증했다. HWD, FID, KID는 연결된 텍스트가 사용자 필기와 더 가깝다는 점을 보여줬고, CRR/WRR에서는 연결을 넣은 뒤에도 가독성 저하가 약 1% 수준에 그쳤다. 사용한 문자 인식기들 전반에서 사용자 필기와 생성 텍스트의 가독성 차이도 5% 미만이었다.

사용자 18명이 55개 이미지 쌍을 비교한 결과, 가독성은 **87%**가 비열등, **36%**는 더 좋다고 평가했다. 시각적 완성도는 **71%**가 원본 이상으로 봤으며, 남은 문제는 주로 획 연결보다 개별 기호 합성 아티팩트에서 나왔다.

효율성은 Samsung Galaxy S25 CPU 단일 스레드에서 확인됐다. 제안 방식은 저사양 모바일에서 실시간 편집에 적합한 계산 효율을 보였고, 사람과 자동 도구 모두에게 잘 구분되지 않는 수준으로 원본 필기를 자연스럽게 이어 붙이거나 확장할 수 있다. 최종적으로 WRR 최대 3.21% 개선과 함께, 사용자 필기를 글자 단위로 수정·보완하는 활용 가능성을 보여줬다. 후속 과제는 다양한 필기 스타일과 오른쪽에서 왼쪽으로 쓰는 문자로의 확장이다.