从记号到数字：用于 SVG 生成的连续数字建模
机器学习
2026-02-04 v1 人工智能
计算机视觉与模式识别
摘要
对于某些图像生成任务，矢量图形如可缩放矢量图 (SVG) 具有明显优势，如提高灵活性、大小效率和编辑便捷性，但相较于基于光栅的方法仍受到较少关注。核心挑战在于，构成 SVG 大部分的numerical几何参数不有效地编码为长序列记号。这会减慢训练、降低准确率并损害泛化。为解决这些问题，我们提出连续数字建模 (Continuous Number Modeling, CNM)，该方法直接将数字作为一等连续值进行建模，而非离散记号。这种表述通过将模型输入与数据的连续性相吻合，恢复了该表示的的数学优雅性，消除了记号化编码引入的离散化副产物。随后，我们在 200 万 raster-to-SVG 样本上训练一个多模态变换器，然后通过利用感知反馈进行强化学习微调以进一步提高视觉质量。我们的方法在保持更高感知保真度的同时，将训练速度提高了 30% 以上。该工作表明 CNM 是一种实用且高效的高质量矢量生成方法，具有更广泛的应用潜力。我们公开代码 http://github.com/mikeogezi/CNM
引用
@article{arxiv.2602.02820,
title = {From Tokens to Numbers: Continuous Number Modeling for SVG Generation},
author = {Michael Ogezi and Martin Bell and Freda Shi and Ethan Smith},
journal= {arXiv preprint arXiv:2602.02820},
year = {2026}
}