Layered Image Vectorization via Semantic Simplification

这项工作提出了一种新颖的渐进式图像向量化技术，旨在生成分层向量，这些向量从粗糙到细节层次逐步表示原始图像。我们的方法引入了语义简化，将得分蒸馏采样和语义分割相结合，以迭代方式简化输入图像。随后，我们的方法针对每个逐步简化的图像优化向量层。我们的方法提供了强大的优化，避免了局部极小值，并在最终输出中实现可调节的细节级别。分层的、紧凑的向量表示增强了进一步编辑和修改的可用性。与传统向量化方法的比较分析表明，我们的技术在产生高视觉保真度的向量方面优越，更重要的是，保持了向量的紧凑性和可管理性。该项目主页网址为https://szuviz.github.io/layered_vectorization/。

本论文旨在提出一种新型的渐进式图像矢量化技术，旨在生成从粗到细的分层矢量，以代表原始图像。该技术试图解决矢量化过程中的局部最小值问题和矢量化结果的可管理性问题。

该方法引入了语义简化，将评分蒸馏抽样和语义分割相结合，以迭代简化输入图像。随后，该方法为每个渐进简化的图像优化矢量层。该方法提供了稳健的优化，避免了局部最小值，并使最终输出中的细节级别可调整。

该方法的分层紧凑矢量表示增强了进一步编辑和修改的可用性。与传统的矢量化方法相比，比较分析表明了该技术在产生具有高视觉保真度的矢量图方面的优越性，更重要的是，它保持了矢量的紧凑性和可管理性。该项目主页提供了数据集和代码。

最近在这个领域中，还有一些相关的研究被进行，如基于深度学习的图像矢量化和基于多边形的矢量化等。