NIV：神经轴变化用于可变字体生成
一种名为NIV的新方法通过神经网络预测每个点的位移，自动将静态字体转换为可变字体，实现沿设计轴（如粗细和宽度）的连续变化。该模型能泛化到未见过的风格和复杂字形（包括CJK汉字），并输出标准的可变字体文件。
近日，一篇提交至arXiv的论文（编号2606.05261）介绍了一种名为NIV（Neural Axis Variations）的创新方法，能够将静态字体自动转换为功能完整的可变字体。该论文由Nadav Benedek及其两位合著者于2026年6月3日提交，研究团队同时公开了数据集、训练和推理实现以及预训练模型，以促进相关研究。
可变字体是现代排版技术的重要进步，它允许字体在语义设计轴（如粗细、宽度、斜度和光学尺寸）上连续变化字形几何形状。然而，从静态字体构建可变字体一直是一个劳动密集型过程，需要专业排版设计师手动指定字形变化数据，耗时且复杂。NIV的提出有望彻底改变这一现状，它利用深度学习自动完成转换，大大降低了可变字体创建的门槛。
NIV的核心方法是：给定字形轮廓和一组目标设计轴，模型预测每个轮廓点的位移。模型直接操作矢量字形几何，并采用一种新颖的“属性嵌入”（Property Embedding）机制，该机制能够捕捉多个设计轴之间的交互作用，从而在统一框架内实现一致的多轴变化。这种设计使得NIV可以同时处理多个轴的变化，而无需为每个轴单独训练模型。
为了训练NIV，研究团队构建了一个全新的数据集，该数据集来源于Google Fonts中的可变字体，包含超过一百万个变化元组。实验结果表明，训练后的模型具有良好的泛化能力：它不仅能够处理训练中未见过的代码点（字符）和字体样式，还能有效应对高复杂度的CJK（中日韩）字形，甚至能够处理分布外的手写输入。这意味着NIV具有跨语言和跨字体的适用性。
NIV生成的输出是标准的可变字体文件，支持通过现有渲染引擎进行连续插值。这意味着生成的字体可以无缝集成到现有的排版工作流程中，无需特殊软件支持。研究团队已在GitHub上（https://github.com/ndvbd/NIV）发布了完整的数据集、代码和模型，以推动该领域的进一步研究。
除了在排版领域的应用价值外，NIV更展示了一种更广泛的可能性：如何使用神经变形合成具有连续参数变化的结构化几何对象。这一思路可能对计算机图形学、几何建模和设计自动化等领域产生深远影响。