본 논문은 확산 트랜스포머(DiT) 기반 텍스트-이미지(T2I) 모델을 사용하여 시각적 텍스트 렌더링의 제어 가능성을 향상시키는 두 단계 파이프라인을 제안합니다. 기존 DiT 기반 방법의 단점인 글꼴 불일치, 스타일 변화, 특히 단어 수준의 미세 제어의 어려움을 해결하기 위해, 매개변수 효율적인 미세 조정 방법인 TC-FT(Typography Control Fine-tuning)와 텍스트와 무관한 스타일 제어 어댑터(SCA)를 제시합니다. TC-FT는 ETC-tokens(Enclosing Typography Control tokens)을 사용하여 단어 수준의 정밀한 서체 기능 적용을 가능하게 하고, SCA는 콘텐츠 유출을 방지하면서 스타일 일관성을 높입니다. HTML 렌더링을 데이터 합성 파이프라인에 통합하고 최초의 단어 수준 제어 가능한 데이터셋을 제안하여 TC-FT와 SCA를 효과적으로 구현했습니다. 실험 결과, 단어 수준의 우수한 서체 제어, 글꼴 일관성 및 스타일 일관성을 달성함을 보여줍니다. 데이터셋과 모델은 학술적 사용을 위해 공개될 예정입니다.
