Jun, 2024

通过语义简化进行分层图像矢量化

PDF
TL;DR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。
progressive image vectorizationsemantic simplificationvector layersrobust optimizationvisual fidelity
发现论文，激发创造
  • 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

  • SuperSVG: 基于超像素的可缩放矢量图形合成

    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

  • NIVeL: 文本到向量生成的神经隐式向量层

    NIVeL 通过在一种可编辑、可分解图层的基础上使用神经隐式场，将图形向量表示问题重新解释为一种中间领域，从而解决了直接应用扩散模型在向量图形领域的挑战，得到了明显优于现有技术的文本到向量图形的结果。

    May, 2024

  • 文本引导的矢量图形自定义

    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

  • 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

  • DSSLIC: 基于深度语义分割的分层图像压缩

    本论文提出了一种基于深度语义分割的分层图像压缩 (DSSLIC) 框架，通过将输入图像的语义分割映射编码为比特流的基本层，并生成编码为第一个增强层的输入图像的紧凑表示，进而获得图像的粗略重构，并额外编码作为另一种增强层与输入图像的差值，该框架可以在 RGB 域的广泛比特率中在 PSNR 和 MS-SSIM 指标方面优于 H.265/HEVC-based BPG 和其他编解码器，并用于图像搜索和基于对象的自适应图像压缩等多项任务。

    Jun, 2018

  • 技术图纸的深度向量化

    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

  • 通过结构化表示学习分层语义图像处理

    本论文提出了一种基于结构化语义布局的图像操作分层框架，使用户可以通过添加、删除和移动一个边界框来对图像进行对象级别的操作。实验证明，该分层框架可以在语义对象操作、交互式图像编辑和数据驱动的图像操作等方面带来优势。

    Aug, 2018

  • DeepSVG：用于矢量图形动画的分层生成网络

    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

  • 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