論文の概要: MARVEL: Raster Manga Vectorization via Primitive-wise Deep Reinforcement
Learning
- arxiv url: http://arxiv.org/abs/2110.04830v2
- Date: Tue, 18 Jul 2023 21:13:25 GMT
- ステータス: 処理完了
- システム内更新日: 2023-07-20 18:31:57.321574
- Title: MARVEL: Raster Manga Vectorization via Primitive-wise Deep Reinforcement
Learning
- Title(参考訳): MARVEL:原始的な深部強化学習によるラスタマンガベクトル化
- Authors: Hao Su, Jianwei Niu, Xuefeng Liu, Jiahe Cui, Ji Wan
- Abstract要約: 漫画(まんが)は、白黒のストロークで構成され、デジタル機器のイメージとして一般的に見られる、流行の日本風の漫画形式である。
深部強化学習(DRL)によるマンガベクトル化のためのプリミティブワイドアプローチであるMARVELを提案する。
画像全体のベクトルパラメータを予測する従来の学習ベース手法とは異なり、MARVELはマンガ全体を基本的なプリミティブテキストダッシュストロークラインの集合と見なす新しい視点を導入する。
- 参考スコア(独自算出の注目度): 29.14983719525674
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Manga is a fashionable Japanese-style comic form that is composed of
black-and-white strokes and is generally displayed as raster images on digital
devices. Typical mangas have simple textures, wide lines, and few color
gradients, which are vectorizable natures to enjoy the merits of vector
graphics, e.g., adaptive resolutions and small file sizes. In this paper, we
propose MARVEL (MAnga's Raster to VEctor Learning), a primitive-wise approach
for vectorizing raster mangas by Deep Reinforcement Learning (DRL). Unlike
previous learning-based methods which predict vector parameters for an entire
image, MARVEL introduces a new perspective that regards an entire manga as a
collection of basic primitives\textemdash stroke lines, and designs a DRL model
to decompose the target image into a primitive sequence for achieving accurate
vectorization. To improve vectorization accuracies and decrease file sizes, we
further propose a stroke accuracy reward to predict accurate stroke lines, and
a pruning mechanism to avoid generating erroneous and repeated strokes.
Extensive subjective and objective experiments show that our MARVEL can
generate impressive results and reaches the state-of-the-art level. Our code is
open-source at: https://github.com/SwordHolderSH/Mang2Vec.
- Abstract(参考訳): 漫画(まんが)は、白黒のストロークからなり、デジタル機器のラスター画像として一般的に見られる、流行の日本風の漫画形式である。
典型的なマンガは、単純なテクスチャ、広い線、少数の色勾配を持ち、ベクトルグラフィック(例えば適応解像度や小さなファイルサイズ)の利点を享受するベクトル化可能な性質を持っている。
本稿では, 深層強化学習(DRL)によるラスタマンガスのベクトル化のためのプリミティブなアプローチであるMARVEL(Manga's Raster to VEctor Learning)を提案する。
画像全体のベクトルパラメータを予測する従来の学習ベースの方法とは異なり、マーベルはマンガ全体を基本プリミティブのテキストストローク行の集まりとみなし、ターゲットイメージをプリミティブ列に分解して正確なベクトル化を達成するdrlモデルを設計する新しい視点を導入する。
さらに,ベクトル化精度の向上とファイルサイズ削減のために,正確なストロークラインを予測するためのストローク精度報酬と,誤りや繰り返しストロークの発生を回避するプルーニング機構を提案する。
広汎な主観的および客観的実験により、MARVELは印象的な結果をもたらし、最先端のレベルに達することが示されている。
私たちのコードは、https://github.com/SwordHolderSH/Mang2Vec.comでオープンソースです。
関連論文リスト
- Text-Based Reasoning About Vector Graphics [76.42082386029206]
本稿では,ベクトルグラフィックスに関するテキストベースの推論を行うVisually Descriptive Language Model (VDLM)を提案する。
プリマルビジュアル記述(PVD)による事前訓練言語モデルを用いたVDLMブリッジ
我々のフレームワークは、その不整合認識と推論プロセスにより、より良い解釈可能性を提供します。
論文 参考訳(メタデータ) (2024-04-09T17:30:18Z) - Sketch2Manga: Shaded Manga Screening from Sketch with Diffusion Models [26.010509997863196]
本稿では,まずスケッチからカラーイラストを作成し,次にスクリーントーンマンガを生成する新しいスケッチ・ツー・マンガフレームワークを提案する。
本手法は, シェード型高周波数スクリーントーンを用いた高品質マンガの製作において, 既存の手法よりも優れていた。
論文 参考訳(メタデータ) (2024-03-13T05:33:52Z) - Deep Geometrized Cartoon Line Inbetweening [98.35956631655357]
インベントワイニングは、2つの白黒線図の間の中間フレームを生成する。
画像全体のマッチングとワープに依存する既存のフレームメソッドは、ラインインテワイニングには適していない。
本稿では,AnimeInbetを提案する。これは幾何学的な線描画をエンドポイントにジオメトリし,グラフ融合問題としてインベントワイニングタスクを再構成する。
本手法は,線画の細部と細部を包含しながら,線画の細部と特異な構造を効果的に捉えることができる。
論文 参考訳(メタデータ) (2023-09-28T17:50:05Z) - Text-Guided Vector Graphics Customization [31.41266632288932]
テキストのプロンプトに基づいて高品質なベクトルグラフィックスを生成する新しいパイプラインを提案する。
提案手法は,大規模な事前学習されたテキスト・ツー・イメージ・モデルの能力を利用する。
我々は,ベクトルレベル,画像レベル,テキストレベルの観点から,複数の指標を用いて評価を行った。
論文 参考訳(メタデータ) (2023-09-21T17:59:01Z) - 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) - Character Generation through Self-Supervised Vectorization [9.36599317326032]
画像のストロークレベル表現で動作する描画エージェントを提案する。
描画」判定を行うと、エージェントは、描画すべきストロークを示すプログラムを出力する。
本研究は,3世代全てのタスクと解析タスクについて,成功した結果を示す。
論文 参考訳(メタデータ) (2022-08-03T12:31:55Z) - 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) - Cloud2Curve: Generation and Vectorization of Parametric Sketches [109.02932608241227]
スケーラブルな高分解能ベクトルスケッチ生成モデルであるCloud2Curveを提案する。
我々はQuick, Draw!でモデルの生成とベクトル化能力を評価する。
そしてKMNISTデータセット。
論文 参考訳(メタデータ) (2021-03-29T12:09:42Z) - Im2Vec: Synthesizing Vector Graphics without Vector Supervision [31.074606918245298]
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。
論文 参考訳(メタデータ) (2021-02-04T18:39:45Z) - 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。