💻 computer science

DesigNet: Learning to Draw Vector Graphics as Designers Do

DesigNet एक पदानुक्रमित (hierarchical) Transformer-VAE है जो विभेद्य मॉड्यूल (differentiable modules) के माध्यम से संपादन योग्य, उच्च-परिशुद्धता वाले SVG ग्राफिक्स उत्पन्न करके AI और मानव डिजाइनरों के बीच की खाई को पाटता है, जो ज्यामितीय संरेखण (geometric alignment) और वक्र निरंतरता (curve continuity) जैसी डिजाइनर-केंद्रित विशेषताओं को लागू करते हैं।

मूल लेखक: Tomas Guija-Valiente, Iago Suárez

प्रकाशित 2026-04-09

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Tomas Guija-Valiente, Iago Suárez

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि आप एक रोबोट को चित्र बनाना सिखा रहे हैं।

वर्तमान में, अधिकांश AI ड्राइंग टूल्स चित्रकारों (painters) की तरह हैं। वे एक डिजिटल कैनवास पर पिक्सेल बिखेरते हैं ताकि एक छवि बनाई जा सके। यदि आप बाद में रेखा की मोटाई बदलना चाहते हैं या किसी वक्र (curve) को सीधा करना चाहते हैं, तो आपको पिक्सेल को "मिटाकर" फिर से पेंट करना पड़ता है। यह अव्यवस्थित और सुधारने में कठिन है।

DesigNet अलग है। यह AI को एक ड्राफ्ट्समैन (draftsman) या वेक्टर डिजाइनर (vector designer) बनना सिखाता है। पिक्सेल के बजाय, यह गणितीय पथों (जैसे रेखाओं और वक्रों) के साथ चित्र बनाता है जिन्हें आप बिना गुणवत्ता खोए हमेशा के लिए पकड़ सकते हैं, खींच सकते हैं और बदल सकते हैं।

हालाँकि, एक समस्या है: AI आमतौर पर इन पथों को अनाड़ी तरीके से बनाता है। यह एक ऐसा वक्र बना सकता है जो टेढ़ा-मेढ़ा दिखेगा, या एक ऐसी रेखा जो लगभग पूरी तरह से लंबवत (vertical) है लेकिन थोड़ी तिरछी है। एक मानव डिजाइनर इसे तुरंत ठीक कर देगा, लेकिन AI "नियमों" को नहीं जानता जो पेशेवर डिजाइन के लिए आवश्यक हैं।

DesigNet इसे हल करता है, यह AI को दो "जादुई उपकरण" देकर जो मानव डिजाइनरों के सोचने के तरीके की नकल करते हैं।

दो जादुई उपकरण

1. "स्मूथनेस" टूल (कंटीन्यूइटी सेल्फ-रिफाइनमेंट - Continuity Self-Refinement)

कल्पना कीजिए कि आप एक पेन से 'फिगर-एट' (figure-eight) बना रहे हैं। जब आप पेन उठाते हैं और अगला लूप शुरू करते हैं, तो आप चाहते हैं कि रेखा पूरी तरह से सहजता से जुड़े। यदि कोण अचानक बदल जाता है, तो यह टेढ़ा-मेढ़ा और अनाड़ी लगेगा।

समस्या: AI अक्सर इन कनेक्शनों (जंक्शनों) को "झटका" या "किंक" (kink) के साथ बनाता है।
DesigNet का समाधान: मॉडल यह अनुमान लगाता है कि रेखा को कैसे जुड़ना चाहिए (एक नदी की तरह सहजता से)। फिर, इसमें एक विशेष मॉड्यूल होता है जो एक चुंबकीय रूलर (magnetic ruler) की तरह काम करता है। यह वक्र के कंट्रोल पॉइंट्स को पकड़ता है और उन्हें अपनी जगह पर फिट कर देता है ताकि रेखा पूरी तरह से सुचारू रूप से बहे। यह सुनिश्चित करता है कि "टैजेंट" (रेखा जिस दिशा में जा रही है) पूरी तरह से मेल खाती हो, ठीक वैसे ही जैसे एक मानव डिजाइनर करता है।

2. "स्नैप-टू-ग्रिड" टूल (अलाइनमेंट सेल्फ-रिफाइनमेंट - Alignment Self-Refinement)

एक स्प्रेडशीट या ब्लूप्रिंट के बारे में सोचें। यदि आप एक क्षैतिज (horizontal) रेखा खींचते हैं, तो उसे पूरी तरह समतल होना चाहिए। यदि आप एक लंबवत (vertical) रेखा खींचते हैं, तो उसे पूरी तरह ऊपर और नीचे सीधा होना चाहिए।

समस्या: AI अनुमान लगाने में अच्छा है, लेकिन उसके अनुमान शायद ही कभी 100% सटीक होते हैं। यह एक ऐसी रेखा बना सकता है जो 90 डिग्री के बजाय 89.9 डिग्री की हो। कंप्यूटर के लिए, यह एक "सीधी" रेखा है, लेकिन एक डिजाइनर के लिए, यह एक गलती है।
DesigNet का समाधान: मॉडल में एक "स्नैप" फीचर है। यदि यह अनुमान लगाता है कि एक रेखा क्षैतिज होने वाली है, तो यह मॉड्यूल एंडपॉइंट्स को पकड़ता है और उन्हें सटीक क्षैतिज अक्ष (horizontal axis) पर स्नैप कर देता है। यह डिजाइन सॉफ्टवेयर में "स्नैप-टू-ग्रिड" फीचर की तरह है, लेकिन AI इसे अपने आप हर उस रेखा के लिए करता है जिसे वह बनाता है।

यह कैसे सीखता है (शिक्षक का उदाहरण)

आमतौर पर, जब आप किसी AI को सिखाते हैं, तो आप उसे एक तस्वीर दिखाते हैं और कहते हैं, "इसे बनाओ।" लेकिन DesigNet को अलग तरह से सिखाया गया है।

निरंतर कैनवास (The Continuous Canvas): AI को सीमित "पिक्सेल स्थितियों" में से चुनने के लिए मजबूर करने के बजाय (जो चीजों को ब्लॉक जैसा बनाता है), DesigNet AI को निरंतर संख्याओं (continuous numbers) का उपयोग करने देता है। यह AI को केवल एक ग्रिड के बजाय अनंत निशानों वाले रूलर देने जैसा है। यह इसे बहुत अधिक सुचारू और सटीक वक्र बनाने की अनुमति देता है।
पदानुक्रमित मस्तिष्क (The Hierarchical Brain): AI के पास एक "बड़ी तस्वीर" वाला मस्तिष्क और एक "विस्तार" वाला मस्तिष्क होता है।
- बड़ी तस्वीर (Big Picture) वाला मस्तिष्क फॉन्ट की शैली सीखता है (जैसे, क्या यह बोल्ड है? क्या यह झुका हुआ है?)।
- विस्तार (Detail) वाला मस्तिष्क प्रत्येक अक्षर के विशिष्ट आकार को सीखता है (जैसे, 'b' का वक्र या 'a' का लूप)।
  यह AI को भ्रमित होने और 'A' की शैली को 'B' के आकार के साथ मिलाने से रोकता है।
"कोशिश करो, सुधारो, सीखो" लूप (The "Try, Fix, Learn" Loop): यह सबसे चतुर हिस्सा है। AI एक अक्षर बनाता है। फिर, "स्मूथनेस" और "स्नैप" टूल्स गलतियों को ठीक करते हैं। इसके बाद AI सुधरे हुए संस्करण को देखता है और महसूस करता है, "ओह, मैंने वहां गलती की! अगली बार, मैं स्मूथनेस को बेहतर तरीके से अनुमानित करूँगा।" यह अपने स्वयं के सुधारों से सीखता है।

यह क्यों मायने रखता है?

DesigNet से पहले, यदि कोई AI एक फॉन्ट बनाता था, तो एक मानव डिजाइनर को Adobe Illustrator जैसे सॉफ्टवेयर में फाइल खोलनी पड़ती थी और टेढ़ी-मेढ़ी रेखाओं और टेढ़े स्टेम्स को मैन्युअल रूप से ठीक करने में घंटों बिताने पड़ते थे। यह एक "ठीक-ठाक" शुरुआत थी, लेकिन पेशेवर नहीं थी।

DesigNet के साथ:

आउटपुट "डिजाइनर-रेडी" है: रेखाएं पहले से ही सुचारू और सीधी हैं। आप फाइल खोल सकते हैं और तुरंत संपादन शुरू कर सकते हैं।
यह सुसंगत (Consistent) है: यदि आप इसे पूरा वर्णमाला (alphabet) बनाने के लिए कहते हैं, तो प्रत्येक अक्षर का "भार" और शैली समान होगी, बिल्कुल एक वास्तविक फॉन्ट परिवार की तरह।
यह संपादन योग्य (Editable) है: क्योंकि यह पिक्सेल के बजाय गणितीय वक्रों (वेक्टर्स) का उपयोग करता है, आप अनंत रूप से ज़ूम कर सकते हैं, और रेखाएं तीक्ष्ण (sharp) बनी रहेंगी।

निचोड़ (The Bottom Line)

DesigNet केवल यह नहीं सिखा रहा है कि चित्र कैसे बनाया जाए, बल्कि यह भी सिखा रहा है कि एक पेशेवर डिजाइनर की तरह कैसे सोचा जाए। यह केवल आकार का अनुमान नहीं लगाता; यह ज्यामिति, सुचारूता और संरेखण (alignment) के नियमों को समझता है, और यह उन नियमों का उपयोग अपने काम को आपके सामने दिखाने से पहले उसे पॉलिश करने के लिए करता है। परिणाम स्वच्छ, सटीक और वास्तविक दुनिया के लिए तैयार डिजिटल कला है।

यहाँ शोध पत्र "DesigNet: Learning to Draw Vector Graphics as Designers Do" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

जबकि AI ने रास्टर इमेज जनरेशन में महत्वपूर्ण प्रगति की है, स्केलेबल वेक्टर ग्राफिक्स (SVG) उत्पन्न करना चुनौतीपूर्ण बना हुआ है। मौजूदा तरीके अक्सर दो मुख्य कारणों से पेशेवर डिजाइन मानकों को पूरा करने में विफल रहते हैं:

ज्यामितीय असंगतता (Geometric Inconsistency): न्यूरल नेटवर्क अक्सर खराब निरंतरता (jagged transitions) और गलत संरेखित अक्षों (ऐसी रेखाएं जो क्षैतिज/लंबवत होनी चाहिए लेकिन तिरछी हैं) वाले वेक्टर आउटलाइन उत्पन्न करते हैं, जिससे उन्हें मानव डिजाइनरों के लिए परिष्कृत करना कठिन हो जाता है।
विविक्तीकरण आर्टिफैक्ट्स (Discretization Artifacts): पूर्ववर्ती अत्याधुनिक (SOTA) मॉडल अक्सर संरेखण लागू करने के लिए विविक्तीकृत (discretized) कोऑर्डिनेट टोकन पर निर्भर करते हैं, जो ज्यामितीय सटीकता का त्याग करता है और सुचारू इंटरपोलेशन (interpolation) को रोकता है।
वर्कफ़्लो बेमेल (Workflow Mismatch): वर्तमान आउटपुट अक्सर "असंपादनीय" या संरचनात्मक रूप से अव्यवस्थित होते हैं, जो Adobe Illustrator या FontForge जैसे पेशेवर उपकरणों में सहजता से एकीकृत होने में विफल रहते हैं।

मुख्य लक्ष्य निरंतरता (continuity - जोड़ों पर सुगमता) और संरेखण (alignment - क्षैतिज/लंबवत स्नैपिंग) के लिए स्पष्ट नियंत्रणों से मॉडल को सुसज्जित करके, न्यूरल जनरेशन और मानव डिजाइन अभ्यास के बीच के अंतर को पाटना है।

2. कार्यप्रणाली: DesigNet (Methodology: DesigNet)

DesigNet एक hierarchical Transformer-VAE है जो मूल रूप से निरंतर SVG कमांड अनुक्रमों (sequences) पर कार्य करता है। यह ज्यामितीय बाधाओं को लागू करने के लिए दो नवीन डिफरेंशिएबल (differentiable) मॉड्यूल पेश करता है।

A. डेटा प्रतिनिधित्व (Data Representation)

निरंतर पैरामीट्राइजेशन (Continuous Parameterization): पिछले कार्यों के विपरीत जो कोऑर्डिनेट्स को विविक्त (discretize) करते हैं, DesigNet सभी कमांड तर्कों के लिए निरंतर कोऑर्डिनेट्स (continuous coordinates) का उपयोग करता है। यह क्वांटाइजेशन लॉस को रोकता है और सुचारू लेटेंट स्पेस इंटरपोलेशन को सक्षम बनाता है।
कमांड फॉर्मेट: ग्लिफ्स (glyphs) को पथों (paths) के अनुक्रम के रूप में दर्शाया जाता है, जहाँ प्रत्येक पथ कमांड्स (MoveTo, LineFromTo, CurveFromTo) का एक अनुक्रम है। तर्कों को 4-पॉइंट टुपल्स $(p_1, p_2, p_3, p_4)$ के रूप में दर्शाया जाता है, जो लाइनों और क्यूबिक बेज़ियर कर्व्स (cubic Bézier curves) को एकीकृत करते हैं।

B. आर्किटेक्चर: पदानुक्रमित विभाजित VAE (Architecture: Hierarchical Partitioned VAE)

मॉडल वैश्विक शैली (global style) और स्थानीय ज्यामितीय विवरण के बीच संतुलन बनाने के लिए दो-स्तरीय पदानुक्रम का उपयोग करता है:

पथ-स्तरीय एनकोडिंग/डिकोडिंग (Path-Level Encoding/Decoding): एक ट्रांसफॉर्मर स्थानीय ज्यामितीय संरचनाओं को कैप्चर करने के लिए व्यक्तिगत पथों को स्वतंत्र रूप से प्रोसेस करता है।
ग्लिफ-स्तरीय एनकोडिंग/डिकोडिंग (Glyph-Level Encoding/Decoding): दूसरा ट्रांसफॉर्मर वैश्विक फ़ॉन्ट शैली (वजन, झुकाव, कंट्रास्ट) को कैप्चर करने के लिए पथ एम्बेडिंग्स को एकत्रित करता है।
विभाजित लेटेंट स्पेस (Partitioned Latent Space): ग्लिफ को एक एकल वेक्टर में कंप्रेस करने के बजाय, DesigNet निम्नलिखित का उपयोग करता है:
- समग्र शैली के लिए एक ग्लोबल लेटेंट ( $z$ )।
- सूक्ष्म कंटूर विवरणों के लिए पथ-स्तरीय लेटेंट्स ( $z_j$ )।
  यह "बॉटलनेक" प्रभाव को रोकता है जहाँ कंप्रेशन के दौरान बारीक विवरण खो जाते हैं।

C. मुख्य मॉड्यूल: स्व-परिष्करण (Key Modules: Self-Refinement)

मुख्य नवाचार दो डिफरेंशिएबल मॉड्यूल में निहित है जो प्रारंभिक डिकोडिंग के बाद लेकिन अंतिम आउटपुट से पहले ज्यामितीय नियमों की भविष्यवाणी और प्रवर्तन करते हैं। ये प्रशिक्षण के दौरान डिस्क्रीट निर्णयों के माध्यम से ग्रेडिएंट्स को बहने देने के लिए Straight-Through Estimators (STE) का उपयोग करते हैं।

निरंतरता स्व-परिष्करण मॉड्यूल (Continuity Self-Refinement Module):
- भविष्यवाणी (Prediction): वक्र खंडों (curve segments) के बीच प्रत्येक जंक्शन के लिए निरंतरता स्तर ( $C_0$ $C_{0}$ , $G_1$ $G_{1}$ , या $C_1$ $C_{1}$ ) की भविष्यवाणी करता है।
  - $C_0$ : ज्यामितीय निरंतरता (साझा एंडपॉइंट)।
  - $G_1$ : कोलीनियर टेंजेंट (कोणीय स्पर्शरेखा) (सुचारू दृश्य संक्रमण)।
  - $C_1$ : समान परिमाण के साथ कोलीनियर टेंजेंट (गणितीय रूप से सुचारू)।
- परिष्करण (Refinement): एक नियतात्मक ऑपरेटर (deterministic operator) भविष्यित निरंतरता स्तर को संतुष्ट करने के लिए बेज़ियर कंट्रोल पॉइंट्स को समायोजित करता है। उदाहरण के लिए, यदि $G_1$ की भविष्यवाणी की जाती है, तो कंट्रोल पॉइंट्स को यह सुनिश्चित करने के लिए स्थानांतरित किया जाता है कि टेंजेंट कोलीनियर हों।
संरेखण स्व-परिष्करण मॉड्यूल (Alignment Self-Refinement Module):
- भविष्यवाणी (Prediction): भविष्यवाणी करता है कि क्या एक रेखा खंड क्षैतिज ( $H$ ), लंबवत ( $V$ ), या असंबद्ध ( $\emptyset$ ) होना चाहिए।
- परिष्करण (Refinement): एक "स्नैपिंग" ऑपरेटर भविष्यवाणी के आधार पर रेखा के एंडपॉइंट्स को निकटतम क्षैतिज या लंबवत अक्ष पर समायोजित करता है।

D. प्रशिक्षण उद्देश्य (Training Objective)

लॉस फंक्शन मानक VAE उद्देश्यों के साथ विशिष्ट ज्यामितीय पर्यवेक्षण (supervision) को जोड़ता है:

पुनर्निर्माण हानि (Reconstruction Loss - $L_{rec}$ ): कमांड प्रकार वर्गीकरण, तर्क प्रतिगमन (argument regression), दृश्यता, और एंडपॉइंट निरंतरता।
KL डाइवर्जेंस ( $L_{KL}$ ): लेटेंट स्पेस को नियमित करता है।
निरंतरता हानि (Continuity Loss - $L_{cont}$ ): एक कॉस्ट-सेंसिटिव मैट्रिक्स के साथ क्रॉस-एन्ट्रॉपी लॉस (जो $C_0 \leftrightarrow C_1$ त्रुटियों को अधिक दंडित करता है)।
संरेखण हानि (Alignment Loss - $L_{align}$ ): अक्ष संरेखण के लिए क्रॉस-एन्ट्रॉपी लॉस।
कपलिंग (Coupling): क्योंकि रिफाइनमेंट मॉड्यूल डिफरेंशिएबल हैं (STE के माध्यम से), निरंतरता या संरेखण की भविष्यवाणी में त्रुटियां सीधे पुनर्निर्माण त्रुटि को प्रभावित करती हैं, जिससे मॉडल सटीक ज्यामितीय वितरण सीखने के लिए मजबूर होता है।

3. प्रमुख योगदान (Key Contributions)

डिफरेंशिएबल स्व-परिष्करण मॉड्यूल: नवीन मॉड्यूल जो $C_0/G_1/C_1$ निरंतरता और अक्ष संरेखण को स्पष्ट रूप से भविष्यवाणी और लागू करते हैं, जिससे आउटपुट संरचनात्मक रूप से साफ और संपादन योग्य बनता है।
निरंतर पैरामीट्राइजेशन: विविक्त (discrete) टोकन के स्थान पर निरंतर कोऑर्डिनेट्स का उपयोग, जो क्वांटाइजेशन आर्टिफैक्ट्स को समाप्त करता है और विभिन्न फ़ॉन्ट्स के बीच सुचारू इंटरपोलेशन को सक्षम बनाता है।
विभाजित लेटेंट स्पेस: एक पदानुक्रमित VAE डिज़ाइन जो वैश्विक शैली को स्थानीय पथ ज्यामिति से अलग करता है, जिससे सूक्ष्म विवरणों को बनाए रखते हुए शैलीगत सामंजस्य बना रहता है।
फ़ॉन्ट-स्तरीय जनरेशन: कुछ संदर्भ ग्लिफ्स (one-shot/few-shot learning) से उच्च निष्ठा (fidelity) के साथ संपूर्ण वर्णमाला उत्पन्न करने के लिए मॉडल का विस्तार।

4. प्रयोगात्मक परिणाम (Experimental Results)

लेखकों ने लैटिन फ़ॉन्ट्स, चीनी फ़ॉन्ट्स और आइकॉन्स पर DesigNet का मूल्यांकन किया।

पुनर्निर्माण गुणवत्ता (Reconstruction Quality): DesigNet, DeepSVG और DeepVecFont-v2 जैसे SOTA मॉडलों की तुलना में Intersection-over-Union (IoU), $\ell_1$ दूरी और पुनर्निर्माण त्रुटि (Chamfer distance) में प्रतिस्पर्धी या बेहतर प्रदर्शन करता है।
ज्यामितीय सटीकता (Geometric Accuracy):
- निरंतरता (Continuity): DesigNet एब्लेशन अध्ययन में निरंतरता सटीकता (जैसे, 0.886 बनाम DeepSVG के लिए 0.567) में काफी बेहतर प्रदर्शन करता है।
- संरेखण (Alignment): स्व-परिष्करण मॉड्यूल संरेखण सटीकता को एब्लेशन अध्ययन में ~0.37 (बिना रिफाइनमेंट के) से बढ़ाकर 0.969 कर देता है।
गुणात्मक सुधार (Qualitative Improvements): विज़ुअलाइज़ेशन सुचारू वक्र संक्रमण (curve transitions), पूरी तरह से संरेखित स्टेम/क्रॉसबार और स्वच्छ संरचनाएं दिखाते हैं जो पेशेवर सॉफ़्टवेयर (FontForge, Illustrator) में आसानी से लोड होती हैं।
सामान्यीकरण (Generalization): मॉडल जटिल संरचनाओं वाले चीनी अक्षरों और आइकॉन्स के लिए सफलतापूर्वक सामान्यीकरण करता है, जो लैटिन टाइपोग्राफी से परे मजबूती प्रदर्शित करता है।
इंटरपोलेशन (Interpolation): निरंतर लेटेंट स्पेस विभिन्न फ़ॉन्ट शैलियों (जैसे वजन और झुकाव) के बीच सुचारू, अर्थपूर्ण इंटरपोलेशन की अनुमति देता है।

5. महत्व (Significance)

AI और डिज़ाइन को जोड़ना: DesigNet "इमेज जनरेट करने" से आगे बढ़कर "डिज़ाइन एसेट्स जनरेट करने" की ओर बढ़ता है। डिज़ाइनर वर्कफ़्लो (स्नैपिंग, निरंतरता नियंत्रण) की नकल करके, इसके आउटपुट मानव पेशेवरों के लिए तुरंत उपयोग करने योग्य होते हैं।
विविक्तीकरण (Discretization) पर विजय: यह सिद्ध करता है कि निरंतर कोऑर्डिनेट प्रतिनिधित्व, जब ज्यामितीय परिशोधन मॉड्यूल के साथ जोड़ा जाता है, तो सटीकता और संपादन क्षमता दोनों में विविक्त (discretized) दृष्टिकोणों से बेहतर प्रदर्शन कर सकता है।
व्यावहारिक अनुप्रयोग: जनरेट किए गए SVG संरचनात्मक रूप से सुदृढ़ हैं, जो AI-जनरेटेड वेक्टर ग्राफिक्स के लिए आवश्यक मैनुअल क्लीनअप समय को कम करते हैं, जो वर्तमान क्रिएटिव AI पाइपलाइनों में एक बड़ी बाधा है।
भविष्य की दिशा: पेपर इस बात पर प्रकाश डालता है कि जबकि ज्यामितीय स्थिरता हल हो गई है, भविष्य के कार्य को जटिल स्क्रिप्ट जैसे चीनी के लिए पूर्ण शैलीगत निरंतरता प्राप्त करने के लिए कंपोजिशनल जनरेशन (जैसे सेरिफ़ जैसे मोटिफ्स का पुन: उपयोग करना) पर ध्यान केंद्रित करना चाहिए।