적은 샘플(Few-shot) 폰트 생성을 위해서는 전역적인 구조적 완전성(global structural completeness)과 세밀한 지역 스타일 충실도(fine-grained local style fidelity)가 동시에 요구됩니다. 기존 방법들은 보통 글로벌 콘텐츠-스타일 모델링에 의존하여 견고하지만 분리가 불완전하거나, 구성 요소/지역 모델링을 강조하여 세부 사항은 포착하지만 지역 사전 지식(local priors)과 참조 범위에 크게 의존하는 경향이 있습니다. 우리는 핵심 과제가 단순히 더 순수한 조건을 학습하는 것이 아니라, 생성 과정 중 다단계 할당(multi-level allocation)을 통해 상호 보완적이면서도 편향된 글로벌 및 로컬 조건들을 조직화하는 것임을 주장합니다. 이를 위해, 우리는 SmartFont를 제안합니다. 이는 글로벌 콘텐츠-스타일 생성과 약하게 지도되는 지역 교정 전문가(weakly supervised local corrective experts)를 결합한 확산 기반의 적은 샘플 폰트 생성 프레임워크입니다. 로컬 브랜치는 약한 구성 요소 감독 하에 전문가별 지역 개념 및 의미론적으로 유의미한 공간 맵을 학습함으로써, 명시적인 구성 요소 조건부 추론이 필요하지 않은 상태에서 세밀한 교정을 수행합니다. 그 위에, 노이즈 제거 상태 조건 할당 모듈(denoising-state condition allocation module)은 시간 단계와 주입 블록 전반에 걸쳐 글로벌 콘텐츠, 글로벌 스타일, 그리고 지역 교정 특징을 적응적으로 가중치를 부여합니다. 광범위한 실험 결과는 SmartFont가 더 나은 글로벌-로컬 균형을 달성하고, 글리프 품질과 지역 세부 사항 충실도를 향상시킨다는 것을 보여줍니다.