論文の概要: Refining Strokes by Learning Offset Attributes between Strokes for Flexible Sketch Edit at Stroke-Level

• arxiv url: http://arxiv.org/abs/2602.00489v1
• Date: Sat, 31 Jan 2026 03:19:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-03 19:28:33.218367
• Title: Refining Strokes by Learning Offset Attributes between Strokes for Flexible Sketch Edit at Stroke-Level
• Title（参考訳）: ストロークレベルにおけるフレキシブルスケッチ編集におけるストローク間のオフセット属性の学習によるストロークの精製
• Authors: Sicong Zang, Tao Sun, Cairong Yan,
• Abstract要約: ストロークレベルでのスケッチ編集は、ストローク拡張または置換によってソースストロークをターゲットスケッチに移植することを目的としている。 我々は、ターゲットスケッチのパターンと整合するように、変換によってソースストロークを洗練させるSketchModを提案する。 実験結果から,SketchModはストロークレベルのスケッチ編集において,正確かつ柔軟なパフォーマンスを実現することが示された。
• 参考スコア（独自算出の注目度）: 7.16840664869445
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Sketch edit at stroke-level aims to transplant source strokes onto a target sketch via stroke expansion or replacement, while preserving semantic consistency and visual fidelity with the target sketch. Recent studies addressed it by relocating source strokes at appropriate canvas positions. However, as source strokes could exhibit significant variations in both size and orientation, we may fail to produce plausible sketch editing results by merely repositioning them without further adjustments. For example, anchoring an oversized source stroke onto the target without proper scaling would fail to produce a semantically coherent outcome. In this paper, we propose SketchMod to refine the source stroke through transformation so as to align it with the target sketch's patterns, further realize flexible sketch edit at stroke-level. As the source stroke refinement is governed by the patterns of the target sketch, we learn three key offset attributes (scale, orientation and position) from the source stroke to another, and align it with the target by: 1) resizing to match spatial proportions by scale, 2) rotating to align with local geometry by orientation, and 3) displacing to meet with semantic layout by position. Besides, a stroke's profiles can be precisely controlled during sketch edit via the exposed captured stroke attributes. Experimental results indicate that SketchMod achieves precise and flexible performances on stroke-level sketch edit.
• Abstract（参考訳）: ストロークレベルでのスケッチ編集は、ターゲットスケッチとのセマンティック一貫性と視覚的忠実性を保ちながら、ソースストロークをストローク拡張または置換を通じてターゲットスケッチに移植することを目的としている。 最近の研究では、適切なキャンバス位置でソースストロークを移動させることによってこの問題に対処している。 しかし、ソースストロークはサイズと向きの双方に大きな変化を示す可能性があるため、さらなる調整をせずに単に再配置するだけで、妥当なスケッチ編集結果が得られない可能性がある。 例えば、適切にスケーリングすることなく、大きすぎるソースストロークをターゲットに固定すると、意味的に一貫性のある結果が得られない。 そこで本稿では,SketchModを変換により改良し,ターゲットスケッチのパターンと整合させ,ストロークレベルでのフレキシブルなスケッチ編集を実現する。 ソースストロークリファインメントはターゲットスケッチのパターンによって制御されるので、ソースストロークから別のソースストロークへの3つのキーオフセット属性(スケール、方向、位置)を学習し、ターゲットにアライメントする。 1) 空間比を規模別に見直すこと。 2 回転して局地形状と向きを合わせること、及び 3) セマンティックなレイアウトに適さないようにする。 さらに、ストロークのプロファイルは、露出したキャプチャされたストローク属性を介してスケッチ編集中に正確に制御できる。 実験結果から,SketchModはストロークレベルのスケッチ編集において,正確かつ柔軟なパフォーマンスを実現することが示された。

関連論文リスト

• Generating Sketches in a Hierarchical Auto-Regressive Process for Flexible Sketch Drawing Manipulation at Stroke-Level [8.928752302757106]
  最近の研究では、ストローク埋め込みの値を条件として編集することで、ストロークレベルのスケッチ特性を制御している。 本稿では,階層的な自動回帰スケッチ生成プロセスを提案する。 露出した編集可能なストローク埋め込みを調整することにより、世代間いつでもストロークレベルのスケッチ描画を操作できる。
  論文  参考訳（メタデータ） (2025-11-11T06:40:12Z)
• StrokeFusion: Vector Sketch Generation via Joint Stroke-UDF Encoding and Latent Sequence Diffusion [13.862427684807486]
  StrokeFusionはベクトルスケッチ生成のための2段階のフレームワークである。 デュアルモードのスケッチ機能学習ネットワークがあり、ストロークを高品質の潜伏空間にマッピングする。 これは、生成中のストローク位置、スケール、軌道を同時に調整するストロークレベルの潜在拡散モデルを利用する。
  論文  参考訳（メタデータ） (2025-03-31T06:03:03Z)
• Doodle Your 3D: From Abstract Freehand Sketches to Precise 3D Shapes [118.406721663244]
  本稿では,抽象モデリングとクロスモーダル対応を容易にする,新しい部分レベルモデリング・アライメントフレームワークを提案する。 提案手法は,CLIPassoエッジマップと投影された3次元部分領域との対応性を確立することで,スケッチモデリングにシームレスに拡張する。
  論文  参考訳（メタデータ） (2023-12-07T05:04:33Z)
• Sketch Video Synthesis [52.134906766625164]
  フレームワイドB'ezier曲線で表現されたビデオのスケッチを行うための新しいフレームワークを提案する。 本手法は、スケッチベースのビデオ編集やビデオ合成によるビデオ再生における応用を解放する。
  論文  参考訳（メタデータ） (2023-11-26T14:14:04Z)
• SENS: Part-Aware Sketch-based Implicit Neural Shape Modeling [124.3266213819203]
  SENSは手描きスケッチから3Dモデルを生成し編集するための新しい手法である。 SENSはスケッチを分析し、部品をViTパッチエンコーディングにエンコードする。 SENSは部分再構成による精細化をサポートし、微調整とアーティファクトの除去を可能にする。
  論文  参考訳（メタデータ） (2023-06-09T17:50:53Z)
• Linking Sketch Patches by Learning Synonymous Proximity for Graphic Sketch Representation [8.19063619210761]
  図形スケッチ表現のための順序不変な意味認識手法を提案する。 収穫されたスケッチのスケッチは、そのグローバルな意味や局所的な幾何学的形状、すなわち同義語に近い形でリンクされている。 本手法は, 制御可能なスケッチ合成とスケッチヒーリングの両方において, 性能を著しく向上することを示す。
  論文  参考訳（メタデータ） (2022-11-30T09:28:15Z)
• One Sketch for All: One-Shot Personalized Sketch Segmentation [84.45203849671003]
  そこで本研究では,最初のワンショットパーソナライズドスケッチセグメンテーション手法を提案する。 我々は、同じカテゴリに属するすべてのスケッチを、特定の部分アノテーション付きの1つのスケッチでセグメント化することを目指している。 私たちは、例に埋め込まれた部分のセマンティクスを保存し、入力スタイルと抽象化に堅牢です。
  論文  参考訳（メタデータ） (2021-12-20T20:10:44Z)
• Sketch2Mesh: Reconstructing and Editing 3D Shapes from Sketches [65.96417928860039]
  スケッチのメッシュ変換にはエンコーダ/デコーダアーキテクチャを使用する。 このアプローチはデプロイが容易で、スタイル変更に堅牢であり、効果的であることを示します。
  論文  参考訳（メタデータ） (2021-04-01T14:10:59Z)

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。