論文の概要: SketchBloom: Training-Free Vector Sketch Outpainting with Stroke-Level Style Control

• arxiv url: http://arxiv.org/abs/2611.00245v1
• Date: Fri, 30 Oct 2026 18:26:37 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-11-03 19:43:30.32326
• Title: SketchBloom: Training-Free Vector Sketch Outpainting with Stroke-Level Style Control
• Title（参考訳）: SketchBloom:ストロークレベルスタイル制御による無トレーニングベクタースケッチアウトペイント
• Abstract要約: トレーニング不要のフレームワークであるSketchBloomについて述べる。 SketchBloomは、すべてのメソッドが同じアウトペイントをベクトル化するときに、評価ベクターに対する知覚的、意味的、構造的忠実性を改善する。 このプロトコルは、エンドツーエンドのアウトペイントや参照スタイルの優越性よりもベクトル合成を評価する。
• 参考スコア（独自算出の注目度）: 18.021717653537305
• License:
• Abstract: Outpainting sparse sketches while preserving contour coherence and stroke style remains challenging. We present SketchBloom, a training-free framework that combines pretrained raster outpainting and style-transfer guidance with per-instance vector optimization. Given a sketch, a scene prompt, and an optional reference style, it produces an editable Scalable Vector Graphic (SVG) composed of Bezier strokes. Adaptive latent blending balances content contours and reference texture without model retraining. A reference-derived stroke vocabulary initializes contour- and DINO-attention-guided strokes, which are optimized separately for structure and texture before contour-emphasizing multiply fusion. As in prior optimization-based vector sketching, no task-specific network is trained; our contribution is the synthesis design specialized to sketch outpainting. On LineArtOut-1K, comprising 1,024 input and style combinations, SketchBloom improves perceptual, semantic, and structural fidelity over the evaluated vector baselines when all methods vectorize the same outpainted raster. This protocol evaluates vector synthesis rather than end-to-end outpainting or reference-style superiority. Runtime is approximately six minutes per pair on a single NVIDIA H200 GPU. Project page: https://khangcntn123.github.io/SketchBloom/
• Abstract（参考訳）: 輪郭コヒーレンスとストロークスタイルを保ちながらスパーススケッチのアウトペイントは依然として困難である。 トレーニング不要なフレームワークであるSketchBloomについて述べる。 スケッチ、シーンプロンプト、オプションの参照スタイルが与えられたら、ベジエストロークからなる編集可能なスケーラブルベクターグラフ(SVG)を生成する。 アダプティブ・ラテントブレンディングは、モデル再トレーニングなしでコンテントの輪郭と参照テクスチャをバランスさせる。 基準由来のストローク語彙は、輪郭強調融合の前に構造とテクスチャを別々に最適化した輪郭およびDINO誘導ストロークを初期化する。 従来の最適化に基づくベクトルスケッチと同様に、タスク固有のネットワークは訓練されない。 1,024の入力とスタイルの組み合わせからなるLineArtOut-1Kでは、SketchBloomは、すべてのメソッドが同じ塗装されたラスタをベクトル化するときに、評価されたベクトルベースラインに対して知覚、意味、構造的忠実性を改善する。 このプロトコルは、エンドツーエンドのアウトペイントや参照スタイルの優越性よりもベクトル合成を評価する。 1つのNVIDIA H200 GPU上での実行時間は、ペアあたり約6分である。 プロジェクトページ: https://khangcntn123.github.io/SketchBloom/

関連論文リスト

• SketchForge: Training-Free Scene-to-Vector Sketching via Decoupled Structure and Texture Optimization [17.007784605446716]
  我々は、入力画像を解像度に依存しないスケッチに変換する、トレーニング不要のフレームワークであるSketchForgeを紹介する。 SketchForgeは、構造的忠実度と生成品質において、既存のベクトルベースベースラインを一貫して上回ることを示す。
  論文  参考訳（メタデータ） (2026-10-30T18:32:05Z)
• SketchFlow: Zero-Shot Vector Sketch Generation via GMM Prior Flow in CLIP Latent Space [9.378039371407114]
  我々は、最適輸送(OT)理論とフローマッチングに根ざした、新しい生成フレームワークであるSketchFlowを提案する。 事前学習したCLIPモデルを利用することで、連続写像問題としてクロスモーダルアライメントを定式化する。 実験により、SketchFlowは、視覚的品質と自然な人間の描画スタイルへの固執において、既存のベースラインを大幅に上回っていることが示された。
  論文  参考訳（メタデータ） (2026-08-21T22:02:23Z)
• SwiftSketch: A Diffusion Model for Image-to-Vector Sketch Generation [57.47730473674261]
  我々は,画像条件付きベクトルスケッチ生成モデルであるSwiftSketchを紹介した。 SwiftSketchは、ガウス分布からサンプリングされたストローク制御ポイントを段階的に復調することによって動作する。 ControlSketchは、深度認識制御ネットを通じて正確な空間制御を組み込むことで、SDSベースの技術を強化する方法である。
  論文  参考訳（メタデータ） (2025-02-12T18:57:12Z)
• 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)
• 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)
• 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)
• B\'ezierSketch: A generative model for scalable vector sketches [132.5223191478268]
  B'ezierSketchは、完全ベクトルスケッチのための新しい生成モデルであり、自動的にスケーラブルで高解像度である。 まず,各ストロークを最適なB'ezier曲線に埋め込むようにエンコーダを訓練する。 これにより、スケッチをパラマタライズされたストロークの短いシーケンスとして扱うことができ、これにより、より長いスケッチのために、より多くのキャパシティを持つ再帰的なスケッチジェネレータを訓練することができる。
  論文  参考訳（メタデータ） (2020-07-04T21:30:52Z)

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。