Fugu-MT 論文翻訳(概要): Draw This First

論文の概要: Draw This First

arxiv url: http://arxiv.org/abs/2608.12064v1
Date: Wed, 12 Aug 2026 13:48:56 GMT
ステータス: 翻訳完了
システム内更新日: 2026-08-13 19:07:54.597856
Title: Draw This First
Title（参考訳）: はじめに絵を描きます
Abstract要約: 順にストロークを描く代わりに、ストロークが描画される順序を定義する2次元場を予測する。我々のモデルは、テキスト記述から順序付きベクタースケッチを予測したり、画像を順序付きベクターにデレンダすることができる。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: We invert the typical formulation of sketch generation: instead of drawing strokes in order, we predict a 2D field that defines the order in which strokes are drawn. We use a pretrained latent flow-matching transformer to supply the image prior to predict an intermediate representation, while training the VAE's decoder to predict the order field, stroke mask, and stroke segmentation. We vectorize the predicted segmentation into polylines and sort them by the field, producing an ordered vector sketch. Our model can predict an ordered vector sketch from a text description or derender an image into ordered vectors; for either, it follows text instructions specifying the order of drawing.
Abstract（参考訳）: 我々はスケッチ生成の典型的な定式化を逆転し、ストロークを順番に描画する代わりに、ストロークを描画する順序を定義する2次元場を予測する。我々は、トレーニング済みの潜流整合変換器を用いて中間表現を予測する前に画像を供給するとともに、VAEデコーダをトレーニングして、オーダーフィールド、ストロークマスク、ストロークセグメンテーションを予測する。予測されたセグメンテーションをポリラインにベクトル化し、それらをフィールドによってソートし、順序付けられたベクトルスケッチを生成する。我々のモデルは、テキスト記述から順序付きベクタースケッチを予測したり、画像を順序付きベクターにデレンダすることができる。

関連論文リスト

Single-Line Drawing Generation via Semantics-Driven Optimization [51.26529682867565]
本稿では,ベクトル形式で1行の描画を自動的に生成するセマンティクス駆動方式を提案する。本手法は,一様有理B-スプライン曲線(URBS)のパラメータを最適化するために,スコア蒸留サンプリングを利用する。本手法はベクトル化曲線を生成するため, 直結する下流加工プロセス, レーザーエッチング, ワイヤ曲げなどの加工を支援できる。
論文参考訳（メタデータ） (2026-06-01T08:46:22Z)
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)
Segmentation-guided Layer-wise Image Vectorization with Gradient Fills [6.037332707968933]
そこで本稿では,画像を勾配を埋め込んだ簡潔なベクトルグラフに変換するためのセグメンテーション誘導ベクトル化フレームワークを提案する。組込み勾配認識セグメンテーションの指導により, 段階的に勾配を埋め込んだB'ezierパスを出力に付加する。
論文参考訳（メタデータ） (2024-08-28T12:08:25Z)
VectorPainter: Advanced Stylized Vector Graphics Synthesis Using Stroke-Style Priors [18.477188153621125]
本稿では,VectorPainterについて紹介する。提案手法は,まず参照画像の画素を一連のベクトルストロークに変換し,入力されたテキスト記述に基づいてベクトルグラフを生成する。生成過程を通してストロークのスタイルを保存するために,スタイル保存損失関数を導入する。
論文参考訳（メタデータ） (2024-05-05T15:01:29Z)
SketchINR: A First Look into Sketches as Implicit Neural Representations [120.4152701687737]
暗黙的ニューラルモデルを用いてベクトルスケッチの表現を前進させるSketchINRを提案する。可変長ベクトルスケッチは、時間とストロークの関数として下層の形状を暗黙的に符号化する固定次元の潜時空間に圧縮される。初めてSketchINRは、ストロークの数と複雑さの点で、さまざまな抽象化でスケッチを再現する人間の能力をエミュレートする。
論文参考訳（メタデータ） (2024-03-14T12:49:29Z)
Abstracting Sketches through Simple Primitives [53.04827416243121]
人間は、オブジェクト情報を素早く通信する必要があるゲームにおいて、高いレベルの抽象化能力を示す。本稿では,プリミティブをベースとしたスケッチ抽象化タスクを提案する。我々のPrimitive-Matching Network(PMN)は、スケッチの解釈可能な抽象化を自己管理的に学習する。
論文参考訳（メタデータ） (2022-07-27T14:32:39Z)
SketchEdit: Mask-Free Local Image Manipulation with Partial Sketches [95.45728042499836]
マスクレス局所画像操作という,スケッチに基づく画像操作の新しいパラダイムを提案する。本モデルでは,対象の修正領域を自動的に予測し,構造型ベクトルにエンコードする。ジェネレータは、スタイルベクトルとスケッチに基づいて、新しいイメージコンテンツを合成する。
論文参考訳（メタデータ） (2021-11-30T02:42:31Z)
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)
Sketch-BERT: Learning Sketch Bidirectional Encoder Representation from Transformers by Self-supervised Learning of Sketch Gestalt [125.17887147597567]
我々は、トランスフォーマー(Sketch-BERT)からのSketch BiBERT表現の学習モデルを提案する。 BERTをドメインのスケッチに一般化し、新しいコンポーネントと事前学習アルゴリズムを提案する。 Sketch-BERTの学習表現は,スケッチ認識,スケッチ検索,スケッチゲットといった下流タスクの性能向上に有効であることを示す。
論文参考訳（メタデータ） (2020-05-19T01:35:44Z)
Sketchformer: Transformer-based Representation for Sketched Structure [12.448155157592895]
Sketchformerは、ベクトル形式で入力された自由ハンドスケッチを符号化するトランスフォーマーベースの表現である。連続的およびトークン化された入力表現を探索するいくつかの変種を報告し、それらの性能を対比する。我々の学習した埋め込みは辞書学習トークン化方式によって駆動され、分類および画像検索タスクにおける技術性能の状態を出力する。
論文参考訳（メタデータ） (2020-02-24T17:11:53Z)

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。