该论文提出了一种新的隐式字形形状表示方法，基于此方法设计了一种简单而有效的解耦网络，用于挑战性的一次性字体样式转移问题，并取得了优于现有替代方案的结果，该表示方法具有将生成的字形转换为矢量字体的潜力，并能够为 2D 形状分析和合成提供强大的工具，鼓励进一步开发 2D 形状建模的隐式表示方法。

Jun, 2021

本文提出了一种深度分解模型，用于字体分析，能够将内容与样式区分开来，并成功实现了从未见过的字体的笔画重构。

Oct, 2019

通过引入我们的方法（Simple-SVG-Generation，简称 S extsuperscript {2} VG extsuperscript {2}），我们专注于生成准确且简单的 SVG 图像，与人类的可读性和理解力相一致，通过与先进的语言模型一起进行推理任务的简单图像评估，结果显示与先前的 SVG 生成方法相比有明显的改进。我们还对生成的 SVG 可读性进行了人类评估的调查，结果也对我们的方法持利好态度。

Nov, 2023

本文介绍了一种新的、探索性的方法，使大型语言模型能够使用可缩放矢量图形（SVG）格式来处理图像。我们的方法旨在弥合视觉和文本模态之间的鸿沟，允许 LLM 直接理解和操作图像，而无需参数化的视觉组件。通过简单的图像分类、生成和上下文学习，我们展示了我们方法的潜力在鉴别性和生成性任务上，强调了其对分布偏移的鲁棒性以及通过利用 LLM 的上下文学习能力实现的重大提高。

Jun, 2023

该研究使用扩散模型和分数蒸馏采样，通过对像素图像的文本条件训练生成可导出为 SVG 的矢量图形，并在优化可微分的矢量图形栅格化器方面实现了语义知识的提取，实验结果表明其较之于过去的工作具有更高的生成质量和更丰富的样式，包括像素艺术和手绘图。

Nov, 2022

本研究提出了一个深度解释性的概率生成模型来分析印刷的早期现代文献中的字形。该模型引入神经网络来聚类提取的字形图像，以发现混杂多变的潜在模板。实验结果表明，我们的方法在无监督情况下发现文献中的字体，准确率优于刚性解释聚类和过度弹性的深度生成模型。

May, 2020

提出了一种基于深度生成模型的排版分析和字体重构方法，通过分离字体样式和字符形状，可以大规模增加有效建模字符类型的数量。

Sep, 2021

本研究旨在学习矢量图文档的生成模型，通过用多模态属性定义这些文档并使用变分自编码器训练表示文档。实验表明，我们提出的 CanvasVAE 模型是矢量图文档生成建模的强有力基线。

Aug, 2021

在本文中，我们提出了一种新的神经网络，可以生成具有不同拓扑结构的复杂矢量图形，并仅需要来自现有光栅图像的间接监督，为此我们使用了可微栅格化流水线来渲染生成的矢量图形并将它们组合到光栅画布上。

Feb, 2021

研究进行了关于机器学习兼容的矢量化方法的研究，发现尽管现有的方法能够直接指定形状数量和类型，但其工作时间很长且无法准确重现原始图像，因此我们认为没有快速的通用自动方法，需要对每种方法进行人工控制。

Jun, 2023