論文の概要: Im2Vec: Synthesizing Vector Graphics without Vector Supervision
- arxiv url: http://arxiv.org/abs/2102.02798v1
- Date: Thu, 4 Feb 2021 18:39:45 GMT
- ステータス: 処理完了
- システム内更新日: 2021-02-05 20:29:05.188465
- Title: Im2Vec: Synthesizing Vector Graphics without Vector Supervision
- Title（参考訳）: Im2Vec: ベクトルスーパービジョンなしでベクトルグラフィックを合成する
- Authors: Pradyumna Reddy, Michael Gharbi, Michal Lukac, Niloy J. Mitra
- Abstract要約: ベクトルグラフィックスはフォント、ロゴ、デジタルアートワーク、グラフィックデザインを表現するために広く使われている。
入力グラフィックを常に調整し、画像ベースの生成アプローチを利用することができる。
訓練時のベクトル表現の明示的な監督を必要とする現在のモデルは、入手が困難である。
様々なトポロジを持つ複雑なベクトルグラフを生成するニューラルネットワークを提案する。
- 参考スコア（独自算出の注目度）: 31.074606918245298
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Vector graphics are widely used to represent fonts, logos, digital artworks,
and graphic designs. But, while a vast body of work has focused on generative
algorithms for raster images, only a handful of options exists for vector
graphics. One can always rasterize the input graphic and resort to image-based
generative approaches, but this negates the advantages of the vector
representation. The current alternative is to use specialized models that
require explicit supervision on the vector graphics representation at training
time. This is not ideal because large-scale high quality vector-graphics
datasets are difficult to obtain. Furthermore, the vector representation for a
given design is not unique, so models that supervise on the vector
representation are unnecessarily constrained. Instead, we propose a new neural
network that can generate complex vector graphics with varying topologies, and
only requires indirect supervision from readily-available raster training
images (i.e., with no vector counterparts). To enable this, we use a
differentiable rasterization pipeline that renders the generated vector shapes
and composites them together onto a raster canvas. We demonstrate our method on
a range of datasets, and provide comparison with state-of-the-art SVG-VAE and
DeepSVG, both of which require explicit vector graphics supervision. Finally,
we also demonstrate our approach on the MNIST dataset, for which no groundtruth
vector representation is available. Source code, datasets, and more results are
available at http://geometry.cs.ucl.ac.uk/projects/2020/Im2Vec/
- Abstract（参考訳）: ベクトルグラフィックスはフォント、ロゴ、デジタルアートワーク、グラフィックデザインを表現するために広く使われている。
しかし、多くの研究がラスター画像の生成アルゴリズムに焦点を当てているが、ベクターグラフィックスにはわずかな選択肢しか存在しない。
入力グラフィックを常にラスタ化し、画像ベースの生成アプローチに頼ることができるが、これはベクトル表現の利点を否定する。
現在の代替案は、訓練時にベクトルグラフィックス表現を明示的に監督する必要がある特殊なモデルを使用することです。
大規模なベクトルグラフデータセットは入手が難しいため、これは理想的ではない。
さらに、与えられた設計に対するベクトル表現はユニークではないので、ベクトル表現を監督するモデルは不要に制約される。
その代わり、様々なトポロジーを持つ複雑なベクトルグラフィックスを生成できる新しいニューラルネットワークを提案し、容易に利用可能なラスター訓練画像(つまり、ベクトルに対応しない)からの間接的な監督しか必要としない。
これを実現するために、生成したベクトル形状をレンダリングし、それらをラスタキャンバスに合成する微分可能なラスタ化パイプラインを使用します。
提案手法を各種データセット上で実証し,ベクトルグラフィックスの明示的な監督を必要とする最先端のSVG-VAEとDeepSVGとの比較を行った。
最後に、我々はまた、地下ベクトル表現が利用できないMNISTデータセットのアプローチを実証する。
ソースコード、データセット、その他の結果はhttp://geometry.cs.ucl.ac.uk/projects/2020/Im2Vec/で入手できる。
関連論文リスト
- Vector Grimoire: Codebook-based Shape Generation under Raster Image Supervision [20.325246638505714]
本稿では,GRIMOIREというテキスト誘導型生成モデルを紹介し,画像をベクトル形状に再構成して離散コードブックにマッピングする方法を提案する。
データから直接の監視を必要とする既存のモデルとは異なり、GRIMOIREはベクトル生成モデリングをはるかに多くのデータに開放するイメージ監督のみを使用して学習する。
論文 参考訳（メタデータ） (2024-10-08T12:41:31Z) - SuperSVG: Superpixel-based Scalable Vector Graphics Synthesis [66.44553285020066]
SuperSVGは、高速かつ高精度な画像ベクトル化を実現するスーパーピクセルベースのベクトル化モデルである。
本稿では,2段階の自己学習フレームワークを提案する。そこでは,粗い段階モデルを用いて主構造を再構築し,細部を充実させるために改良段階モデルを用いる。
再現精度と推定時間の観点から, 最先端手法と比較して, 提案手法の優れた性能を示す実験を行った。
論文 参考訳（メタデータ） (2024-06-14T07:43:23Z) - SAMVG: A Multi-stage Image Vectorization Model with the Segment-Anything
Model [59.40189857428461]
画像をSVG(Scalable Vector Graphics)にベクトル化する多段階モデルを提案する。
第一に、SAMVGはSegment-Anything Modelによって提供される一般的な画像セグメンテーションを使い、新しいフィルタリング手法を用いて画像全体の最も高密度なセグメンテーションマップを識別する。
次に、SAMVGは欠落したコンポーネントを特定し、SVGにより詳細なコンポーネントを追加する。
論文 参考訳（メタデータ） (2023-11-09T11:11:56Z) - Image Vectorization: a Review [4.258673477256579]
ベクトル画像を直接生成するのではなく、まずイメージを合成し、次にベクトル化を適用することができる。
本稿では,機械学習互換ベクトル化手法に特化して着目する。
論文 参考訳（メタデータ） (2023-06-10T13:41:02Z) - VectorFusion: Text-to-SVG by Abstracting Pixel-Based Diffusion Models [82.93345261434943]
画像の画素表現に基づいて訓練されたテキスト条件付き拡散モデルを用いて,SVG-exportable vector graphicsを生成する。
近年のテキスト・ツー・3D研究に触発されて,Score Distillation Smpling を用いたキャプションと整合したSVGを学習した。
実験では、以前の作品よりも品質が向上し、ピクセルアートやスケッチを含む様々なスタイルが示されている。
論文 参考訳（メタデータ） (2022-11-21T10:04:27Z) - Towards Layer-wise Image Vectorization [57.26058135389497]
画像をSVGに変換し,画像トポロジを同時に維持するためのレイヤワイズ画像ベクトル化(LIVE)を提案する。
Liveは、人間の視点にセマンティックに整合した階層構造を持つコンパクトなフォームを生成する。
Liveは、デザイナの両方のために編集可能なSVGを起動し、他のアプリケーションで使用することができる。
論文 参考訳（メタデータ） (2022-06-09T17:55:02Z) - Recognizing Vector Graphics without Rasterization [36.31813939087549]
画像の異なるデータフォーマットについて考察する。
画像認識で広く使われているグラフィックスとは対照的に、ベクトルグラフィックスはエイリアスや情報損失なしに任意の解像度にスケールアップまたは縮小することができる。
YOLaTは、ベクトルの構造情報と空間情報をモデル化するマルチグラフを構築し、グラフからオブジェクトを検出するために、デュアルストリームグラフニューラルネットワークを提案する。
論文 参考訳（メタデータ） (2021-11-05T06:16:17Z) - SVG-Net: An SVG-based Trajectory Prediction Model [67.68864911674308]
シーン内の車両の動きを予想することは、安全な自動運転システムにとって重要な問題である。
この目的のために、シーンのインフラの理解は、しばしば将来の軌跡を予測する主要な手がかりである。
提案手法のほとんどが逆逆変換方式のシーンを表現しており、近年のアプローチではカスタムベクトル化方式が採用されている。
論文 参考訳（メタデータ） (2021-10-07T18:00:08Z) - DeepSVG: A Hierarchical Generative Network for Vector Graphics Animation [217.86315551526235]
本稿では,複雑なSVGアイコンの生成と操作のために,DeepSVGと呼ばれる新しい階層型生成ネットワークを提案する。
我々のアーキテクチャは、その形状自体をエンコードする低レベルのコマンドから、効果的に高レベルの形状を分離します。
我々のネットワークは、多様なベクトルグラフィックスを正確に再構築し、強力なアニメーションツールとして機能することを実証する。
論文 参考訳（メタデータ） (2020-07-22T09:36:31Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。