Vector graphics are widely used to represent fonts, logos, digital artworks, and graphic designs. But, while a vast body of work has focused on generative algorithms for raster images, only a handful of options exists for vector graphics. One can always rasterize the input graphic and resort to image-based generative approaches, but this negates the advantages of the vector representation. The current alternative is to use specialized models that require explicit supervision on the vector graphics representation at training time. This is not ideal because large-scale high quality vector-graphics datasets are difficult to obtain. Furthermore, the vector representation for a given design is not unique, so models that supervise on the vector representation are unnecessarily constrained. Instead, we propose a new neural network that can generate complex vector graphics with varying topologies, and only requires indirect supervision from readily-available raster training images (i.e., with no vector counterparts). To enable this, we use a differentiable rasterization pipeline that renders the generated vector shapes and composites them together onto a raster canvas. We demonstrate our method on a range of datasets, and provide comparison with state-of-the-art SVG-VAE and DeepSVG, both of which require explicit vector graphics supervision. Finally, we also demonstrate our approach on the MNIST dataset, for which no groundtruth vector representation is available. Source code, datasets, and more results are available at http://geometry.cs.ucl.ac.uk/projects/2020/Im2Vec/

中文翻译：

---

Im2Vec：无需向量监督即可合成向量图形

矢量图形被广泛用于表示字体，徽标，数字艺术作品和图形设计。但是，尽管大量工作集中在栅格图像的生成算法上，但矢量图形只有少数选择。人们总是可以栅格化输入图形并诉诸于基于图像的生成方法，但这否定了矢量表示的优点。当前的替代方案是使用需要在训练时对矢量图形表示进行明确监督的专用模型。这是不理想的，因为很难获得大规模的高质量矢量图形数据集。此外，给定设计的矢量表示形式不是唯一的，因此不必要限制对矢量表示形式进行监督的模型。代替，我们提出了一种新的神经网络，该神经网络可以生成具有各种拓扑的复杂矢量图形，并且仅需要对现有的栅格训练图像（即没有矢量对应物）进行间接监督。为实现此目的，我们使用了可微分的栅格化管线，该管线渲染生成的矢量形状并将它们合成到栅格画布上。我们在一系列数据集上演示了我们的方法，并与最先进的SVG-VAE和DeepSVG进行了比较，这两个都需要显式的矢量图形监控。最后，我们还在MNIST数据集上演示了我们的方法，该方法没有可用的地面真实矢量表示。源代码，数据集和更多结果可在http://geometry.cs.ucl.ac.uk/projects/2020/Im2Vec/获得 并且只需要从可用的栅格训练图像（即没有矢量副本）中进行间接监督。为实现此目的，我们使用了可微分的栅格化管线，该管线渲染生成的矢量形状并将它们合成到栅格画布上。我们在一系列数据集上演示了我们的方法，并与最先进的SVG-VAE和DeepSVG进行了比较，这两个都需要显式的矢量图形监控。最后，我们还在MNIST数据集上演示了我们的方法，该方法没有可用的地面真实矢量表示。源代码，数据集和更多结果可在http://geometry.cs.ucl.ac.uk/projects/2020/Im2Vec/获得 并且只需要从可用的栅格训练图像（即没有矢量副本）中进行间接监督。为实现此目的，我们使用了可微分的栅格化管线，该管线渲染生成的矢量形状并将它们合成到栅格画布上。我们在一系列数据集上演示了我们的方法，并与最先进的SVG-VAE和DeepSVG进行了比较，这两个都需要显式的矢量图形监控。最后，我们还在MNIST数据集上演示了我们的方法，该方法没有可用的地面真实矢量表示。源代码，数据集和更多结果可在http://geometry.cs.ucl.ac.uk/projects/2020/Im2Vec/获得 我们使用可微分的栅格化管线，该管线渲染生成的矢量形状并将它们组合在一起到栅格画布上。我们在一系列数据集上演示了我们的方法，并与最先进的SVG-VAE和DeepSVG进行了比较，这两个都需要显式的矢量图形监控。最后，我们还在MNIST数据集上演示了我们的方法，该方法没有可用的地面真实矢量表示。源代码，数据集和更多结果可在http://geometry.cs.ucl.ac.uk/projects/2020/Im2Vec/获得 我们使用可微分的栅格化管线，该管线渲染生成的矢量形状并将它们组合在一起到栅格画布上。我们在一系列数据集上演示了我们的方法，并与最先进的SVG-VAE和DeepSVG进行了比较，这两个都需要显式的矢量图形监控。最后，我们还在MNIST数据集上演示了我们的方法，该方法没有可用的地面真实矢量表示。源代码，数据集和更多结果可在http://geometry.cs.ucl.ac.uk/projects/2020/Im2Vec/获得 对于这些，没有groundtruth矢量表示可用。源代码，数据集和更多结果可在http://geometry.cs.ucl.ac.uk/projects/2020/Im2Vec/获得 对于这些，没有groundtruth矢量表示可用。源代码，数据集和更多结果可在http://geometry.cs.ucl.ac.uk/projects/2020/Im2Vec/获得