NerualSVG 的正式实现
NeuralSVG 通过有序且可编辑的形状，从文本提示中生成向量图形。我们的方法支持动态条件，例如背景颜色，这有助于为单个学习表示生成多个颜色调色板。 > 向量图形在设计中至关重要,为艺术家提供了一个多功能的媒介,用于创建不依赖分辨率且高度可编辑的可视内容。近期在视觉语言和扩散模型方面的进展激发了人们对文本到向量图形生成的兴趣。然而,现有的方法通常会产生过参数化的输出,或者将向量图形的分层结构(作为向量图形的核心特征)视为次要目标,从而降低了其实际应用价值。认识到分层 SVG 表示的重要性,我们提出了 NeuralSVG,这是一种隐式神经表示,用于从文本提示生成向量图形。受到神经辐射场(NeRF)的启发,NeuralSVG 将整个场景编码到一个小型 MLP 网络的权重中,并使用分数蒸馏采样(SDS)进行优化。为了鼓励生成的 SVG 中具有分层结构,我们引入了一种基于丢弃的正则化技术,该技术加强了每个形状的独立含义。此外,我们还证明,利用神经表示提供了一个额外的好处,即可在推理时进行控制,从而使用户可以根据用户提供的输入动态调整生成的 SVG,所有这些都只需要一个学习的表示。通过广泛的定性和定量评估,我们证明 NeuralSVG 在生成结构化和灵活的 SVG 方面优于现有方法。 ## 资讯
暂无开放 Issues，或尚未同步最近议题。