論文の概要: DesigNet: Learning to Draw Vector Graphics as Designers Do
- arxiv url: http://arxiv.org/abs/2604.06494v1
- Date: Tue, 07 Apr 2026 21:55:20 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-09 17:30:51.25874
- Title: DesigNet: Learning to Draw Vector Graphics as Designers Do
- Title（参考訳）: DesigNet:デザイナが行うようにベクターグラフィックスを描くことを学ぶ
- Authors: Tomas Guija-Valiente, Iago Suárez,
- Abstract要約: DesigNetは階層型トランスフォーマーVAEで、連続的なコマンドパラメータ化でSVGシーケンスを直接操作する。
我々の主な貢献は2つの微分可能加群である:各曲線点に対する$C0$,$G1$,$C1$連続性を予測する連続自己精製加群。
DesigNetは編集可能なアウトラインを生成し、最先端のメソッドと競合する結果を得る。
- 参考スコア（独自算出の注目度）: 0.7734726150561088
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: AI-driven content generation has made remarkable progress in recent years. However, neural networks and human designers operate in fundamentally different ways, making collaboration between them challenging. We address this gap for Scalable Vector Graphics (SVG) by equipping neural networks with tools commonly used by designers, such as axis alignment and explicit continuity control at command junctions. We introduce DesigNet, a hierarchical Transformer-VAE that operates directly on SVG sequences with a continuous command parameterization. Our main contributions are two differentiable modules: a continuity self-refinement module that predicts $C^0$, $G^1$, and $C^1$ continuity for each curve point and enforces it by modifying Bézier control points, and an alignment self-refinement module with snapping capabilities for horizontal or vertical lines. DesigNet produces editable outlines and achieves competitive results against state-of-the-art methods, with notably higher accuracy in continuity and alignment. These properties ensure the outputs are easier to refine and integrate into professional design workflows. Source Code: https://github.com/TomasGuija/DesigNet.
- Abstract（参考訳）: AIによるコンテンツ生成は近年顕著な進歩を遂げている。
しかし、ニューラルネットワークとヒューマンデザイナは基本的に異なる方法で動作し、両者のコラボレーションを困難にしている。
ニューラルネットワークに、アライメントやコマンドジャンクションでの明示的な連続性制御など、デザイナがよく使用しているツールを組み込むことにより、このギャップを解消する。
DesigNetは階層型トランスフォーマーVAEで、連続的なコマンドパラメータ化でSVGシーケンスを直接操作する。
我々の主な貢献は2つの異なる加群である:$C^0$, $G^1$, $C^1$ の各曲線点に対する連続性を予測し、ベジエ制御点を変更することでそれを強制する連続自己精製モジュールと、水平線や垂直線のスナッピング機能を備えたアライメント自己精製モジュールである。
DesigNetは編集可能なアウトラインを生成し、最新技術に対する競合的な結果を得る。
これらの特性により、アウトプットの洗練が容易になり、プロフェッショナルな設計ワークフローに統合される。
ソースコード:https://github.com/TomasGuija/DesigNet.com
関連論文リスト
- LayerTracer: Cognitive-Aligned Layered SVG Synthesis via Diffusion Transformer [17.881925697226656]
LayerTracerは拡散トランスフォーマーで、設計者の階層化された生成プロセスを、シーケンシャルな設計操作の新たなデータセットから学習することでギャップを埋める。
画像ベクトル化には,参照画像を潜在トークンにエンコードする条件拡散機構を導入する。
実験では、生成品質と編集性の両方において、最適化ベースとニューラルベースラインに対してLayerTracerの優れたパフォーマンスを示す。
論文 参考訳（メタデータ） (2025-02-03T06:49:58Z) - Dynamic Graph Message Passing Networks for Visual Recognition [112.49513303433606]
長距離依存のモデリングは、コンピュータビジョンにおけるシーン理解タスクに不可欠である。
完全連結グラフはそのようなモデリングには有益であるが、計算オーバーヘッドは禁じられている。
本稿では,計算複雑性を大幅に低減する動的グラフメッセージパッシングネットワークを提案する。
論文 参考訳（メタデータ） (2022-09-20T14:41:37Z) - B-cos Networks: Alignment is All We Need for Interpretability [136.27303006772294]
本稿では,深層ニューラルネットワーク(DNN)の学習における重み付けの促進による解釈可能性の向上に向けた新たな方向性を提案する。
B-コス変換は、完全なモデル計算を忠実に要約する単一の線形変換を誘導する。
VGGs、ResNets、InceptionNets、DenseNetsといった一般的なモデルに簡単に統合できることを示します。
論文 参考訳（メタデータ） (2022-05-20T16:03:29Z) - Optimising for Interpretability: Convolutional Dynamic Alignment
Networks [108.83345790813445]
我々は、畳み込み動的アライメントネットワーク(CoDA Nets)と呼ばれる新しいニューラルネットワークモデルを紹介する。
彼らの中核となるビルディングブロックは動的アライメントユニット(DAU)であり、タスク関連パターンに合わせて動的に計算された重みベクトルで入力を変換するように最適化されている。
CoDAネットは一連の入力依存線形変換を通じて分類予測をモデル化し、出力を個々の入力コントリビューションに線形分解することができる。
論文 参考訳（メタデータ） (2021-09-27T12:39:46Z) - Convolutional Dynamic Alignment Networks for Interpretable
Classifications [108.83345790813445]
我々は、畳み込み動的アライメントネットワーク(CoDA-Nets)と呼ばれる新しいニューラルネットワークモデルを紹介する。
コアとなるビルディングブロックは動的アライメントユニット(DAU)で、入力をタスク関連パターンと動的に整合する重みベクトルで線形に変換する。
CoDA-Netsは一連の入力依存線形変換を通じて分類予測をモデル化し、出力を個々の入力コントリビューションに線形分解することができる。
論文 参考訳（メタデータ） (2021-03-31T18:03:53Z)
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。