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

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

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

本文提出了 SAMVG，一种多阶段模型，用于将光栅图像转换为可缩放矢量图形（SVG）。经过一系列广泛的实验，我们证明 SAMVG 可以在任何领域内生成高质量的 SVG，同时所需的计算时间和复杂性较之前的最新方法更少。

Nov, 2023

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 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

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

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

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