자동화된 정보그래픽 디자인을 향한 노력 딥러닝 기반의 확장형 타임라인 자동 추출

\begin{equation}
    f: I \rightarrow (G, L)
\end{equation}

\begin{equation}
    g: (I, G, L) \rightarrow (E_r, E_u)
\end{equation}
``

$E$는 각각의 요소가 속성 집합으로 표현되는 집합입니다, 즉,
$`E = \{ \textbf{$e$}^i := (a^1, a^2, ..., a^m)\}_{i=1}^n`$. $G$와 $L$에 따라, 우리는 $E_r$과 $E_u$ 내 요소의 속성(예: 크기, 형태, 색상, 위치, 다른 것들에 대한 오프셋)을 추론할 수 있습니다. 확장 가능한 템플릿을 가능하게 하는 필수적인 속성을 강조합니다. $E_r$의 기본 속성은 재사용할 그래픽 마크(예: 그림 참조)입니다. 따라서, 우리는 원본 이미지에서 $E_r$의 픽셀을 분리해야 합니다. $E_u$의 경우, 업데이트 내용의 스타일을 유지하기 위해 텍스트와 관련된 속성(예: 폰트 패밀리, 크기, 색상)이 식별되어야 합니다.

**[데이터셋]**

우리는 모델 $h$를 학습하고 접근 방법을 평가하기 위해 두 가지 데이터셋을 사용합니다. 첫 번째는 합성 데이터셋(이하 $D_1$)입니다. 우리는 타임라인 제작 도구인 TimelineStoryteller(TS)를 확장하여 모든 유형의 타임라인이 포함된 $D_1$을 생성했습니다. 두 번째 데이터셋(이하 $D_2$)은 실제 웹에서 수집한 타임라인으로 구성되어 있습니다. 이는 Google Image, Pinterest, FreePicker에서 *타임라인 정보그래픽* 및 *정보그래픽 타임라인*을 검색어로 사용하여 수집되었습니다. $D_2$에는 다양한 스타일이 포함되며 특히 마크에 있어서 다양성이 큽니다. 또한 가장 일반적인 타입의 타임라인이 포함되어 있습니다.
</div>
<div style="margin-top: 20px;"><a href="https://arxiv.org/pdf/1907.13550.pdf" target="_blank" style="display: inline-block; padding: 12px 25px; background-color: #007bff; color: white !important; text-decoration: none; border-radius: 8px; font-weight: 600; margin-top: 10px; margin-bottom: 10px; box-shadow: 0 4px 6px rgba(0,0,0,0.1); transition: all 0.3s ease;">📄 ArXiv 원문 PDF 보기</a></div>
<div class="mobile-ad w-full my-6 text-center" style="border: 2px dashed red; background: #ffe6e6;"><ins class="adsbygoogle" style="display:block" data-ad-client="ca-pub-1873718820012422" data-ad-slot="auto"></ins><script>(adsbygoogle = window.adsbygoogle || []).push({});</script></div>

<br>
<h4>📊 논문 시각자료 (Figures)</h4>

![Figure 1](/posts/2023/10/2023-10-10-127305-towards_automated_infographic_design__deep_learnin/41_architecture.png)

<br>
<br>

![Figure 2](/posts/2023/10/2023-10-10-127305-towards_automated_infographic_design__deep_learnin/51_IoU_NMM.png)

<br>
<br>

![Figure 3](/posts/2023/10/2023-10-10-127305-towards_automated_infographic_design__deep_learnin/62_generated_a.png)

<br>
<br>

![Figure 4](/posts/2023/10/2023-10-10-127305-towards_automated_infographic_design__deep_learnin/50_pipeline2.png)

<br>
<br>

![Figure 5](/posts/2023/10/2023-10-10-127305-towards_automated_infographic_design__deep_learnin/33_dataset.png)

<br>
<br>

![Figure 6](/posts/2023/10/2023-10-10-127305-towards_automated_infographic_design__deep_learnin/62_generated_cases.png)

<br>
<br>

![Figure 7](/posts/2023/10/2023-10-10-127305-towards_automated_infographic_design__deep_learnin/41_global.png)

<br>
<br>

![Figure 8](/posts/2023/10/2023-10-10-127305-towards_automated_infographic_design__deep_learnin/34_labels.png)

<br>
<br>

![Figure 9](/posts/2023/10/2023-10-10-127305-towards_automated_infographic_design__deep_learnin/50_final_template.png)

<br>
<br>

![Figure 10](/posts/2023/10/2023-10-10-127305-towards_automated_infographic_design__deep_learnin/53_grab_cut_2.png)

<br>
<br>

![Figure 11](/posts/2023/10/2023-10-10-127305-towards_automated_infographic_design__deep_learnin/53_mask_example.png)

<br>
<br>

![Figure 12](/posts/2023/10/2023-10-10-127305-towards_automated_infographic_design__deep_learnin/31_example_2.png)

<br>
<br>

![Figure 13](/posts/2023/10/2023-10-10-127305-towards_automated_infographic_design__deep_learnin/71_hybrid.png)

<br>
<br>

![Figure 14](/posts/2023/10/2023-10-10-127305-towards_automated_infographic_design__deep_learnin/44_AP.png)

<br>
<br>

![Figure 15](/posts/2023/10/2023-10-10-127305-towards_automated_infographic_design__deep_learnin/61_good_cases.png)

<br>
<br>

![Figure 16](/posts/2023/10/2023-10-10-127305-towards_automated_infographic_design__deep_learnin/diamondrule.png)

<br>
<br>

![Figure 17](/posts/2023/10/2023-10-10-127305-towards_automated_infographic_design__deep_learnin/teaser.png)

<br>
<br>


<h4 style="margin-top: 3rem; margin-bottom: 1rem; border-bottom: 1px solid #e5e7eb; padding-bottom: 0.5rem;">감사의 말씀</h4>
이 글의 저작권은 연구하신 과학자분들께 있으며, 인류 문명 발전에 공헌해주신 노고에 감사를 드립니다.