SketchINR：探索草图作为隐式神经表示的可能性

我们提出了SketchINR，以推进矢量草图的表示。可变长度的矢量草图被压缩到固定维度的潜空间，该潜空间隐式地编码了随时间和笔画变化的底层形状。学习得到的函数在每个时间和笔画处预测草图的$xy$坐标点。尽管方法简单，SketchINR在多个任务上优于现有表示方法：(i) 将整个草图数据集编码为固定大小的潜向量，SketchINR相较于栅格草图和矢量草图分别实现了$60\times$和$10\times$的数据压缩。(ii) SketchINR的auto-decoder比其他学习到的矢量草图表示提供更高保真度表示，并且唯一能扩展到诸如FS-COCO等复杂矢量草图。(iii) SketchINR支持并行化，解码/渲染速度比其他学习到的矢量表示方法（如SketchRNN）快约$100\times$。(iv) SketchINR首次能够以不同笔画数量和复杂度的变化来模拟人类重现草图的能力。作为隐式草图的首次探索，SketchINR的紧凑高保真表示将支持未来建模长草图和复杂草图的工作。