SVGDreamer++: 提升文本引导 SVG 生成的可编辑性与多样性
摘要
最近，文本引导的可扩展矢量图（SVG）合成在图标学和绘图等领域展现出巨大的潜力。然而，现有文本到 SVG 方法生成的 SVG 常缺乏可编辑性，且在视觉质量和多样性方面存在不足。本文提出一种新颖的文本引导矢量图合成方法，以解决上述问题。为增强输出 SVG 的可编辑性，我们引入分层图像矢量化（Hierarchical Image VEctorization, HIVE）框架， operates at the semantic object level and supervises the optimization of components within the vector object. 这种方法促进了矢量图分解为 distinct objects and component levels。我们提出的 HIVE 算法，基于图像分割先验， not only ensures a more precise representation of vector graphics but also enables fine-grained editing capabilities within vector objects. 为提高输出 SVG 的多样性，我们提出了基于向量粒子的得分蒸馏（Vectorized Particle-based Score Distillation, VPSD）方法。VPSD 解决了现有方法过度饱和的问题，并增强了样本多样性。采用预训练奖励模型对向量粒子进行再加权，以提高审美吸引力并实现更快的收敛。此外，我们设计了一种新型的自适应矢量原语控制策略，允许动态调整原语数量，从而增强图形细节的呈现。大量实验验证了所提方法的有效性，证明其在可编辑性、视觉质量和多样性方面优于基线方法。我们还展示了该方法支持最多六种不同的矢量风格，能够生成适用于精细矢量设计和海报设计的高质量矢量资产。代码和演示将发布于: http://ximinng.github.io/SVGDreamerV2Project/
引用
@article{arxiv.2411.17832,
title = {SVGDreamer++: Advancing Editability and Diversity in Text-Guided SVG Generation},
author = {Ximing Xing and Qian Yu and Chuang Wang and Haitao Zhou and Jing Zhang and Dong Xu},
journal= {arXiv preprint arXiv:2411.17832},
year = {2024}
}
备注
17 pages, 17 figures. Project Page: http://ximinng.github.io/SVGDreamerV2Project/. arXiv admin note: text overlap with arXiv:2312.16476