論文の概要: SketchForge: Training-Free Scene-to-Vector Sketching via Decoupled Structure and Texture Optimization

• arxiv url: http://arxiv.org/abs/2611.00253v1
• Date: Fri, 30 Oct 2026 18:32:05 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-11-03 20:14:39.651754
• Title: SketchForge: Training-Free Scene-to-Vector Sketching via Decoupled Structure and Texture Optimization
• Title（参考訳）: SketchForge: 分離構造とテクスチャ最適化によるトレーニング不要のScene-to-Vectorスケッチ
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 17.007784605446716
• License:
• Abstract: Converting a raster image into a resolution-independent, stroke-editable vector sketch while faithfully preserving both structural contours and tonal texture remains challenging: raster-space rendering pipelines are difficult to edit at the stroke level, while generation-from-scratch vectorization methods struggle to remain faithful to an arbitrary input image. We present SketchForge, a training-free framework that converts an input raster image into a resolution-independent SVG sketch through per-instance test-time optimization of Bezier curves, requiring no additional training or fine-tuning. Strokes are seeded via a contour and attention-guided initialization, then refined by a vector-native differentiable rendering pipeline that decouples structural contour strokes from free-form texture strokes under dedicated objectives, composited via multiply-blend layering. Extensive experiments show that SketchForge consistently outperforms existing vector-based baselines in structural fidelity and generation quality. Project page: https://khangcntn123.github.io/SketchForge
• Abstract（参考訳）: ラスター空間レンダリングパイプラインは、ストロークレベルでの編集が困難であり、スクラッチから生成するベクトル化手法は、任意の入力画像に忠実に留まることが困難である。 我々は,入力されたラスタ画像をベジエ曲線のインスタンスごとのテスト時間最適化を通じて,解像度非依存のSVGスケッチに変換する,学習不要のフレームワークであるSketchForgeを提案する。 ストロークは輪郭と注意誘導初期化を介してシードされ、次にベクトルネイティブな微分可能なレンダリングパイプラインによって精製される。 大規模な実験により、SketchForgeは構造的忠実さ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っていることが示されている。 プロジェクトページ: https://khangcntn123.github.io/SketchForge

関連論文リスト

• SketchBloom: Training-Free Vector Sketch Outpainting with Stroke-Level Style Control [18.021717653537305]
  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。
  論文  参考訳（メタデータ） (2026-10-30T18:26:37Z)
• AnchorFlow: Editable SVG Reconstruction via Sparse Anchor Point Fields [1.6513874937184163]
  画像からSVGへの再構成は、入力に忠実で編集が容易なベクトルグラフィックスを作成することを目的としている。 既存の手法は、ベクトル構造をパラメータ化する方法における構造的トレードオフに直面している。 高忠実度法は、多くの経路や高密度パラメータ化された曲線に依存することが多いが、過度にコンパクトな生成は入力幾何学から逸脱することがある。
  論文  参考訳（メタデータ） (2026-05-19T08:49:17Z)
• Interp3D: Correspondence-aware Interpolation for Generative Textured 3D Morphing [63.141976759536625]
  テクスチャ化された3DモーフィングのためのトレーニングフリーフレームワークであるInterp3Dを提案する。 生成的先行性を利用し、幾何学的忠実さとテクスチャコヒーレンスの両方を保証するために、プログレッシブアライメント原理を採用する。 包括的評価のために, 難易度の高い専用データセットInterp3DDataを構築し, 忠実度, 遷移滑らか度, 可視性から生成結果を評価する。
  論文  参考訳（メタデータ） (2026-01-20T16:03:22Z)
• Neural Image Abstraction Using Long Smoothing B-Splines [33.22485341851476]
  画像に基づくディープラーニングシステムにおいて、スムーズかつ任意に長い経路を生成する方法を示す。 我々は、微分に基づく平滑化コストを利用して、忠実度と単純さのトレードオフのパラメトリック制御を行う。
  論文  参考訳（メタデータ） (2025-11-07T15:50:48Z)
• 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)
• SuperSVG: Superpixel-based Scalable Vector Graphics Synthesis [66.44553285020066]
  SuperSVGは、高速かつ高精度な画像ベクトル化を実現するスーパーピクセルベースのベクトル化モデルである。 本稿では,2段階の自己学習フレームワークを提案する。そこでは,粗い段階モデルを用いて主構造を再構築し,細部を充実させるために改良段階モデルを用いる。 再現精度と推定時間の観点から, 最先端手法と比較して, 提案手法の優れた性能を示す実験を行った。
  論文  参考訳（メタデータ） (2024-06-14T07:43:23Z)
• Block and Detail: Scaffolding Sketch-to-Image Generation [65.56590359051634]
  アーティストの反復的な洗練プロセスと整合する新しいスケッチ・ツー・イメージ・ツールを提案する。 私たちのツールは、ブロックされたストロークをスケッチして、オブジェクトの配置や形を粗く表現し、詳細なストロークを表現して、形やシルエットを洗練します。 反復過程の任意の点において、そのようなスケッチから高忠実度画像を生成するための2パスアルゴリズムを開発した。
  論文  参考訳（メタデータ） (2024-02-28T07:09:31Z)
• 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)
• 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)

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。