CanvasVAE: 学习生成矢量图形文档
通过设计双分支变分自编码器 (VAE) 的神经路径表示,我们提出了一种新颖的神经路径表示,从序列和图像模态中学习路径潜在空间,通过优化神经路径的组合,我们可以在生成的 SVG 中融入几何约束的同时保持表达力。此外,我们引入了一种两阶段路径优化方法,用于改进生成的 SVG 的视觉和拓扑质量。
May, 2024
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
通过将图形模型与深度学习架构组合,我们学习具有两种框架优势的生成模型。我们提出了学习 SVAE 的新算法,并首次证明了 SVAE 处理丢失数据时处理多模态的能力。这些优化创新使 SVAE 能够通过梯度下降法进行学习。
Jun, 2023
本文提出了两种基于深度学习的神经网络架构,SkeGAN 和 VASkeGAN,用于生成矢量格式的手绘素描,并且引入了 Ske-score 度量来评估其质量。经过人类 图灵测试和 Ske-score 评估,验证了这两个模型的生成结果质量较好。
Apr, 2019
本文提出了一个框架,利用结构化图形模型在变分自动编码器(VAEs)的编码器中导出可解释的表达,使得在给定图形模型的结构限制下执行推理,并使用深度生成模型处理高维度的杂乱领域变得更容易。同时在无监督和半监督的情况下,通过变分目标进行端对端的学习。
Nov, 2016
本文提出一种基于变分自编码器的方法,通过直接输出预先定义大小的概率性的全连接图来解决学习图嵌入任务中的线性化困境,并在分子生成任务中进行了评估。
Feb, 2018
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
该论文介绍了一种利用隐变量量化自动编码器 (VQ-VAE) 从语言预训练模型中离散地提取丰富信息的新颖主题建模方法,并提出了一种新的生成主题模型 Topic-VQ-VAE (TVQ-VAE),可以逆向生成与相应隐变量量化编码书相关的原始文档。实验证明,TVQ-VAE 可以有效地捕捉主题上下文,揭示数据集的潜在结构,并支持灵活的文档生成形式。
Dec, 2023