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

本文提出了一种名为 LIVE 的图像逐层矢量化方法，它能够将光栅图像转换为 SVG，并同时保持其图像拓扑结构，通过新的贝塞尔路径，新设计的损失函数以及逐元件路径初始化技术来优化路径，实验结果表明，LIVE 比以前的工作呈现更有说服力的矢量形式，并且可以推广到新的图像。

Jun, 2022

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

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

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

我们提出了一种新的技术线绘图矢量化方法，包括深度学习预处理、变形器网络估计矢量基元以及优化过程等步骤，该方法在代表性技术绘图上定量和定性地胜过现有技术。

Mar, 2020

本研究提出了一种用于在展示媒体中对位图文本进行编辑的文本矢量化方法，其中学习一种文本矢量化模型来解析所有呈现参数并利用这些参数进行重构和任何编辑任务。

Oct, 2021

IconShop 是一种使用自回归变换器的文本引导矢量图标合成方法，通过将 SVG 路径（和文本描述）串行化和分词为一个唯一可解码的命令序列，实现各种图标合成和操作任务，它优于现有的基于图像和基于语言的方法，在图标合成性能（使用 FID 和 CLIP 分数）和质量方面都更好，并具有更好的生成多样性和灵活性，同时还可以进行文本引导的图标填充和混合合成。

Apr, 2023

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

该研究利用生成模型建立向量图形的连续生成模型，从而刻画字体绘制过程，提供了一种可操作的样式传播方法，有望成为平面设计师进行字体设计的工具。

Apr, 2019