NEURONALE TYPOGRAFIE

Die Masterarbeit „Neuronale Typografie" untersucht die Möglichkeiten von generativem Machine Learning (ML) in der Typographie und entwickelt dazu eine Software-Pipeline zur Generierung und Bearbeitung von MSDF-Schriften.

Die Arbeit baut auf folgender Forschungsfrage auf: Wie kann maschinelles Lernen zur Generierung von Schriftarten eingesetzt werden, um 1. eine große Bandbreite unterschiedlicher Schriftschnitte abzubilden, 2. Gestalter_innen gezielte Einflussnahme im Generierungsprozess zu ermöglichen und dabei 3. neue technische Prozesse und experimentelle Resultate zu eröffnen?

Das System verbindet mehrere Modellarchitekturen:

• Ein Variational Autoencoder (VAE) komprimiert die visuellen Eigenschaften einer Schriftart in einen "Latent Space", aus dem ein Diffusionsmodell neue Schriftarten erzeugt, die anschließend vom VAE in einzelne Zeichen dekodiert werden.
• Metrik-Modelle ermitteln typografische Merkmale wie Laufweite, Seitenabstände und Unterschneidungen (Kerning), ein abschließendes Upscaling-Modell erhöht die technische Qualität und gleicht kleinere Unschönheiten aus.
• Die gesamte Pipeline ist durch mehrere frei verwendbare Module in "ComfyUI" eingebunden, einer Open-Source-Umgebung für node-basierte ML-Anwendungen.

Neben der direkten Generierung neuer Schriften ermöglicht das System weitere Arbeitsweisen: z. B. font2font-Transfers, bei denen der Stil einer Schrift auf eine andere übertragen wird,
Interpolationen zwischen verschiedenen Schriften sowie die gezielte Extraktion einzelner gestalterischer Merkmale; etwa um diese auf gezielt auf andere Schriften übertragen zu können.

Gestalter_innen stehen dabei weiterhin im Mittelpunkt des Gestaltungsprozesses.
Statt eines klassischen Textprompts stehen diverse numerische Gestaltungsparameter zur Verfügung: beispielsweise Eigenschaften wie Strichstärke und Strichstärkenkontrast, Neigung, Serifenform und Zeichenhöhen.
Dieser sind fester Bestandteil des Generierungsprozesses und erlauben so eine präzisere Einflussnahme auf die Ergebnisse als gewöhnliche sprachliche Beschreibungen.
Automatisierung und gestalterische Intention schließen sich dabei also nicht aus;
das System ist so konzipiert, dass Gestalter_innen an verschiedenen Stellen auch auf interne Prozesse der Pipeline zugreifen und diese anpassen können.

Die Arbeit entstand vollständig im Rahmen einer künstlerischen Institution (der Folkwang Universität der Künste), ohne externe Serverinfrastruktur, von einer einzelnen Person.
Vor dem Hintergrund von Karen Haos Analyse der Machtkonzentration in der KI-Industrie im Bezug auf Ressourcenverbrauch, Ausbeutung von Arbeitskraft, Monopolisierung von Infrastruktur und Wissen, etc., zeigt die Arbeit, dass alternative Entwicklungswege möglich sind.
Wissenschaftliche Institutionen, und Kunsthochschulen wie die Folkwang Universität der Künste, bieten dafür den geeignetsten Rahmen:
Sie ermöglichen einen interdisziplinären Zugang zu Expertise aus den Bereichen der Gestaltung, Philosophie und Wissenschaft, der andernorts kaum gegeben ist.
Die Arbeit plädiert deshalb für einen offenen Umgang mit KI an Hochschulen und lädt Gestalter_innen ein, nicht nur Anwender_innen solcher Systeme zu bleiben, sondern auch aktiv an ihrer Entwicklung mitzuwirken.

Alle Materialien sind Open-Source und öffentlich zugänglich:
https://github.com/LrsChrSch/NeuralTypography
https://lrs-chr-sch.de/

Prüfer_innen:
Prof. Dr. Kim Albrecht
Prof. Kathi Kæppel
Prof. Claudius Lazzeroni