CVPR 2024 | 北航联合港大发布全新文本引导矢量图形合成方法SVGDreamer

©作者 | 周海涛
单位 | 北京航空航天大学
可缩放矢量图形（Scalable Vector Graphics，SVG）是用于描述二维图型和图型应用程序的基本元素；与传统的像素图形不同，SVG 使用数学描述来定义图形，因此可以在任何大小下无损地缩放而不失真。这使得 SVG 成为网站设计领域的理想选择，特别是在需要适应不同分辨率和设备的情况下。但是创作者手工设计 SVG 是高成本并具有挑战的。
最近，随着 CLIP 和生成式模型的快速发展，文本引导的矢量图合成（Text-to-SVG）在抽象像素风格 [1,2] 和矢量手绘草图 [3,4] 等领域都取得了不错的进展。通过可微分渲染器 [5] 驱动矢量路径基元自动合成对应的矢量图形，成为一个热门的研究方向。相比于人类设计师，Text-to-SVG 方法可以快速并大量的创建矢量内容，用于扩充矢量资产。
然而，现有的 Text-to-SVG 方法还存在两个限制：1.生成的矢量图缺少编辑性；2. 难以生成高质量和多样性的结果。为了解决这些限制，作者提出了一种新的文本引导矢量图形合成方法：SVGDreamer。

论文题目：

SVGDreamer: Text Guided SVG Generation with Diffusion Model

论文地址：

https://arxiv.org/abs/2312.16476

代码地址：

https://github.com/ximinng/SVGDreamer

项目地址：

https://ximinng.github.io/SVGDreamer-project/

实现思路

▲ 图1：SVGDreamer流程图

SVGDreamer 由两部分构成：语义驱动的图像矢量化（Semantic-driven Image Vectorization，SIVE）和基于矢量例子的分数蒸馏（Vectorized Particle-based Score Distillation，VPSD）构成。

其中 SIVE 根据文本提示矢量化图像，VPSD 则通过分数蒸馏从预训练的扩散模型中合成高质量、多样化并具有审美吸引力的矢量图。

1.1 语义驱动的图像矢量化 (SIVE)

SIVE 根据文本提示合成语义层次解耦的矢量图。它包括两个部分：

矢量基元初始化（Primitive Initialization）
基于语义级优化（Semantic-aware Optimization）

如图 1 上半部分所示，文本提示中不同的词语对应不同的注意力图，这使得作者可以借助注意力图初始化矢量图控制点（control points）。具体来说，作者对注意力图进行归一化，将它视为一个概率分布图，根据概率加权采样画布上的点作为贝塞尔曲线的控制点。

然后，作者将初始化阶段获得的注意力图转换为可重复使用的掩码，大于等于阈值的部分设为 1，代表目标区域，小于阈值为 0。作者利用掩码定义 SIVE 损失函数从而精确地优化不同的对象。

SIVE 确保了控制点保持在各自的语义对象区域中，从而实现不同对象的解构，最终结果如图 1 右上部分所示。

1.2 基于矢量粒子的分数蒸馏 (VPSD)

之前基于扩散模型的 SVG 生成工作 [2,4]，已经探索了使用分数蒸馏采样（SDS）优化 SVG 参数的方式，但这种优化方式往往会带来颜色过饱和、优化得到的 SVG 过于平滑的结果。

受变分分数蒸馏采样的启发，作者提出了基于向量化粒子的分数蒸馏采样（Vectorized Particle-based Score Distillation，VPSD）损失来解决以上问题。相对于 SDS，这种采样方式将 SVG 建模为控制点和色彩的一个分布，VPSD 通过优化这个分布来实现对 SVG 参数的优化：

由于直接优化另一个模型

的成本过大，所以引入 Lora 来减少被优化的参数量：

最后，为了改善合成矢量图的美观评价，作者引入了一种奖励反馈学习方法（ReFL），将采样得到的样本输入到使用预训练的 Reward 模型中，共同进行对 LoRA 参数的优化：

最后完整的目标函数即为上述三个函数的加权组合：

通过反向传播更新 SVG 路径参数，经过循环迭代完成优化，得到最终结果。

实验结果

2.1 定性结果

下图展示了 SVGDreamer 生成的 6 种风格类型的 SVG 结果，包括肖像图风格（Iconography）、像素风格（Pixel-Art）、水墨（Ink and Wash）、多边形（Low-poly）、手绘（Sketch）和线条绘画（Painting）风格等。不同颜色的后缀表示不同的 SVG 风格类型，这些风格类型也并不需要在 Prompt 中给出，只需要通过控制矢量图基元实现。

SVGDreamer 能够根据文本提示合成语义层次解耦的矢量图，这使得其可以被用于创建大量矢量数据资产，同时这些矢量元素可以被自由地组合，如下图所示：

▲ 图3：SVGDreamer合成的矢量资产示意图

2.2 应用展示

除此之外，作者展示了 SVGDreamer 的应用：制作矢量海报。通过将制定字形转为矢量表示，并且与生成的矢量图结合，即可得到美观的矢量海报。与基于扩散模型的生成式位图海报相比，矢量海报的文字与内容部分同样具有良好的编辑性，并且不会产生错误的文字：

▲ 图4：SVGDreamer制作的矢量海报与位图海报合成方法的比较

总结

在这项工作中，作者介绍了 SVGDreamer，一个用于文本引导矢量图形合成的创新模型。SVGDreamer 结合了两个关键的技术设计: 语义驱动的图像矢量化 (SIVE) 和基于矢量粒子的分数蒸馏 (VPSD)，这使得模型能够生成具有高可编辑性、卓越的视觉质量和显著的多样性的矢量图形。

由于SVGDreamer能够生成具有可编辑性的复杂矢量图形，因此，SVGDreamer 有望显著推进文本到 SVG 模型在设计领域的应用。它已经被证实可以用来创建矢量图形资产库，设计师可以根据不同的需求，很容易地将库中的元素重新排列组合，用于创建独特的矢量海报或 Logo，以及其他矢量艺术形式。

矢量图可微渲染库PyTorch-SVGRender介绍

Pytorch-SVGRender 是作者团队在 2023.12 发布的一个用于 SVG 生成的可微分渲染方法的 Python 库，使研究人员和开发者们可以通过一个统一的、简化的接口来访问不同的 SVG 生成技术。

Pytorch-SVGRender 包含两大功能：位图到 SVG 的渲染（Img-to-SVG），以及文本到 SVG（Text-to-SVG）的渲染。并且整合了与这些功能有关的研究成果，例如 DiffVG、LIVE、CLIPasso、CLIPDraw、VectorFusion、Word-As-Image、DiffSketcher 和 SVGDreamer 等。

Pytorch-SVGRender 的设计理念是基于模块化和可扩展性的原则，让用户能够无缝集成最新的 SVG 创作技术。通过提供一套清晰的、统一的 API，该库允许开发者轻松地调用底层绘图算法，无需深入了解其底层原理。此外，库中的每一种方法的相关参数都经过精心优化，以确保生成的 SVG 文件在性能和质量上都能满足高标准的要求。

最后，Pytorch-SVGRender 还提供了丰富的文档和示例代码，帮助用户快速入门上手。作者希望这个库可以提高 SVG 研究人员和开发者的工作效率，为未来 SVG 相关技术的创新与实践提供帮助。

参考文献

[1] Kevin Frans, Lisa Soros, and Olaf Witkowski. CLIPDraw: Exploring text-to-drawing synthesis through language-image encoders. In Alice H. Oh, Alekh Agarwal, Danielle Belgrave, and Kyunghyun Cho, editors, Advances in Neural Information Processing Systems(NIPS), 2022.

[2] Ajay Jain, Amber Xie, and Pieter Abbeel. Vectorfusion: Text-to-svg by abstracting pixel-based diffusion models. In Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition(CVPR), 2023.

[3] Yael Vinker, Ehsan Pajouheshgar, Jessica Y Bo, Roman Christian Bachmann, Amit Haim Bermano, Daniel Cohen-Or, Amir Zamir, and Ariel Shamir. Clipasso: Semantically-aware object sketching. ACM Transactions on Graphics(TOG), 41(4):1–11, 2022.

[4] Xing X, Wang C, Zhou H, et al. Diffsketcher: Text guided vector sketch synthesis through latent diffusion models[J]. Advances in Neural Information Processing Systems(NIPS), 2023.

[5] Tzu-Mao Li, Michal Lukac, Gharbi Michael and Jonathan Ragan-Kelley. Differentiable vector graphics rasterization for editing and learning. ACM Transactions on Graphics (TOG), 39(6):193:1–193:15, 2020.

[6] Ben Poole, Ajay Jain, Jonathan T. Barron, and Ben Mildenhall. Dreamfusion: Text-to-3d using 2d diffusion. In The Eleventh International Conference on Learning Representations(ICLR), 2023.

更多阅读