A Scalable Vector Graphics Latent Space
本文介绍了 SLS，这是一种基于 Transformer 的自动编码器，它通过学习单个 SVG 路径的紧凑且固定大小的表示，为可缩放矢量图形建立了一个鲁棒、可逆且连续的潜在空间，从而实现了高保真重建、高效的相似性搜索，并与基于 Token 的方法相比实现了显著的计算节省。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
几十年来，计算机已经掌握了理解由像素（即构成屏幕上每张照片的微小彩色方块）组成的图像的艺术。这种成功依赖于一个巧妙的技巧：将复杂的图像压缩成一个捕捉其本质的单一、稠密的特征点，从而让机器能够寻找相似的图片、用文字描述它们，甚至从零开始创造新的图像。然而，另一种不同类型的视觉语言长期以来一直让这些工具望尘莫及。这就是矢量图形的世界，即用于绘制图标、徽标和用户界面元素的数学指令，这些元素在任何尺寸下都能保持清晰。与由固定点阵组成的照片不同，矢量图像是一套精确的命令，告诉计算机如何绘制线条、曲线和形状。多年来，人工智能一直难以理解这些指令，通常将它们视为笨拙的文本，或者将它们模糊化回像素，从而丢失了使其具有可编辑性和可缩放性的结构。
意大利摩德纳和雷焦艾米利亚大学的一个研究小组现在为这个缺失的世界架起了一座桥梁。他们引入了一个名为 SLS 的新系统，该系统为这些矢量指令创建了一个紧凑且连续的空间，非常类似于现有的针对照片的系统。SLS 不再强迫计算机将数千个单独的绘图命令读作一个冗长且混乱的句子，而是学习将每个独特的形状压缩成一个单一的、稠密的特征点。这个点包含了关于形状几何结构及其风格（如颜色和粗细）的所有必要信息。该系统旨在实现可逆性；正如人类可以通过观察一幅画来描述它一样，计算机也可以通过这个单一的数据点完美地重建原始的绘图指令，精确到每一个细节。这一突破使得机器能够搜索特定形状、用自然语言描述复杂的图标，并以一种此前无法实现的效率和速度组合不同的元素。
这一成就的核心在于研究人员教授计算机阅读指令的方式。传统方法通常试图将每一条绘图命令视为一个独立的单词，导致生成的序列对于现代人工智能来说过于冗长且混乱，难以有效处理。该团队转而采用了一种数据驱动的方法，将指令分解为有意义的块，类似于人类识别一个短语而非逐字拼写字母的方式。他们训练了一个神经网络，将这些数据块转换为一个统一的词汇表，其中包含了命令、定义曲线的数字以及透明度和填充颜色等风格设置。通过这种方式处理数据，系统学会了将每个单独的形状映射到多维空间中的一个特定位置。值得注意的是，研究人员发现这些位置自然地呈现出一种一致的模式，形成一个每个点到中心距离相等的球体。这种几何上的规则性使得系统可以通过简单的数学运算来寻找相似的形状或混合不同的概念，而无需为每个新任务重新训练模型。
这种新方法的效率和准确性令人瞩目。在测试矢量图像描述任务时，与之前将指令视为原始文本的方法相比，该系统将计算机需要处理的数据量减少了一百五十倍以上。尽管进行了如此大规模的压缩，系统并未损失质量。它成功生成了准确的图标和图表描述，表现优于那些依赖先将图像转换为像素的旧模型。在涉及从数十万件物品数据库中检索特定形状的测试中，该系统找到正确匹配的精度超过了基于像素的编码器以及早期的矢量专用尝试。研究人员还证明，该系统可以处理它从未见过的图像，即使在数据来自不同来源时，也能保持识别和重建形状的能力，这证明它学习的是矢量图形的基本规则，而非仅仅是死记硬背特定的例子。
这项工作最显著的意义在于其保留原始指令的能力。许多以往理解矢量图形的尝试都涉及将它们转换为像素，这意味着计算机永远无法找回原始的绘图命令。如果机器想要编辑图像，它必须从头开始。然而，新系统是完全可逆的。它可以获取一个复杂的形状，将其压缩为一个单一的数据点，然后将该点还原回完全相同的原始绘图命令集。这意味着计算机不仅能理解图像，还能以人类设计师所期望的精度对其进行操作。该系统对微小的误差或噪声具有鲁棒性，即使在数据受到轻微干扰时，也能保持形状的完整性。通过建立一种可靠、紧凑且可逆的方式来表示矢量图形，这项工作为新一代能够像我们目前处理照片一样轻松生成、搜索和编辑可缩放视觉内容的工具开辟了大门。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。