Sep, 2023

文本引导的矢量图形自定义

PDF
TL;DR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。
vector graphicscustomized vector graphicstext-to-image modelssemantic-based path alignmentsmooth shape deformation
发现论文，激发创造
  • 神经路径表示下的文本向量生成

    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

  • CLIPVG: 可微分向量图形辅助的文本引导图像操作

    该论文介绍一种名为 CLIPVG 的文本引导图像处理框架，不需要额外的生成模型，使用可区分向量图形来实现像素级细节变化，并且在语义正确性和综合质量方面均取得了最先进的性能，并支持各种应用。

    Dec, 2022

  • VectorFusion: 基于像素扩散模型的文本到 SVG 的抽象转换

    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

  • SVGDreamer：基于扩散模型的文本引导 SVG 生成

    SVGDreamer 是一种新颖的文本引导的矢量图合成方法，通过语义驱动的图像矢量化过程和基于注意力的原语控制，与基线方法相比，在可编辑性、视觉质量和多样性方面表现出更高的优越性。

    Dec, 2023

  • 去渲染化风格化文本

    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

  • 超越像素：探索视觉语言模型生成简单图像的人类可读 SVG

    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

  • SVGCraft：基于全面画布布局的单一物体文本到 SVG 合成

    SVGCraft 是一个新颖的整体场景生成框架，通过使用预训练的语言模型进行布局生成、精确物体定位和融合机制，以及使用漫扩散 U-Net 进行合成，优化生成的 SVG 图像，并探索在受限环境中利用原始形状进行画布补全的潜力。通过定性和定量评估，SVGCraft 在抽象性、可识别性和细节方面超越了之前的工作。

    Mar, 2024

  • 基于自回归变换器的文本驱动矢量图标合成

    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

  • 基于层次的图像矢量化

    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

  • 图像矢量化：一综述

    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