SAMVG:一种具有分段任意物体模型的多阶段图像矢量化模型
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
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
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
研究了针对视觉任务开发的第一个基础模型,称为 Segment Anything Model(SAM)。SAM 可以基于便宜的输入提示,如一个或多个点、边界框或掩码,在输入的图像中分割对象。作者在大量的视觉基准任务中研究了 SAM 的零样本图像分割准确性,并发现 SAM 通常实现了与目标任务上进行了训练的视觉模型类似或有时超过其识别精度。他们检查了 SAM 在多样化、广泛研究的基准任务集上的表现。然而,作者还研究了 SAM 在航空图像问题中的表现,他们发现虽然 SAM 在航空图像上通常表现良好,但在某些情况下由于航空图像和目标对象的独特特征而失败。
Apr, 2023
Scalable Vector Graphics (SVGs) have become integral in modern image rendering applications. This paper introduces StarVector, a multimodal SVG generation model that effectively integrates Code Generation Large Language Models (CodeLLMs) and vision models.
Dec, 2023
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
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
在医学成像中,息肉分割是一个关键问题,引发了许多旨在提高分割掩模质量的方法。尽管当前最先进的技术取得了令人印象深刻的结果,但这些模型的规模和计算成本对实际的行业应用构成了挑战。最近,提出了 Segment Anything Model (SAM) 作为一种稳健的基础模型,显示出对于医学图像分割的适应性的前景。受到这一概念的启发,我们提出了 SAM-EG,这是一个指导小型息肉分割模型来解决计算成本挑战的框架。此外,在这项研究中,我们引入了 Edge Guiding 模块,将边缘信息集成到图像特征中,以帮助分割模型解决当前分割模型在此任务中的边界问题。通过大量实验,我们的小型模型展示了它们的功效,通过达到与最先进的方法相竞争的结果,为息肉分割和医学成像领域的紧凑模型开发提供了一种有希望的方法。
Jun, 2024
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