基于层次的图像矢量化
本研究提出了一种新的渐进式图像矢量化技术,旨在生成层次化的矢量,以从粗糙到细节层次逐渐表示原始图像。我们的方法引入了语义简化,结合了分数蒸馏采样和语义分割,来迭代地简化输入图像。随后,我们的方法针对每个逐步简化的图像优化矢量层。我们的方法提供了稳健的优化,避免了局部极小值,并能够调整最终输出中的细节级别。层次化、紧凑的矢量表示增强了进一步编辑和修改的可用性。与传统的矢量化方法进行对比分析显示了我们技术在产生高视觉保真度矢量以及保持矢量的紧凑性和可管理性方面的优越性。
Jun, 2024
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
本文提出了一种新颖的分层生成网络 DeepSVG,可用于生成和插值 SVG 图标。研究者通过引入一个新的大规模数据集并结合开源 SVG 操作库,证明了该网络能准确重建各种矢量图形,并可作为强大的动画工具。
Jul, 2020
提出了一种基于文本提示生成高质量定制化矢量图形的新型流程,该流程利用大型预训练的文本到图像模型的能力,在保留给定示例 SVG 的属性和分层信息的同时生成定制化的光栅图像,方法中引入了基于语义的路径对齐方法以保留和转换关键路径,使用图像级和矢量级损失优化路径参数以确保平滑的形状变形与定制化的光栅图像对齐,通过从矢量级、图像级和文本级多个角度对其进行评估,评估结果表明该流程在生成具有优秀质量的矢量图形定制化方面具有有效性。
Sep, 2023
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
提出了一种基于超像素的矢量化模型 SuperSVG,它通过将输入图像分解成超像素,采用两阶段自训练框架和动态路径扭曲损失来实现图像的快速高精度矢量化。与现有方法相比,该方法在重建精度和推理时间方面表现出更优的性能。
Jun, 2024
提出一种名为 Optimize & Reduce(O&R)的自顶向下矢量化方法,通过迭代优化 Bézier 曲线参数并显著减少形状数量,实现输入图像的紧凑表示,该方法在固定形状数量下,在重建和感知质量方面优于现有方法,并且比最先进的基于优化的方法快 10 倍。
Dec, 2023
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
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