SuperSVG: Superpixel-based Scalable Vector Graphics Synthesis

SVG（可缩放矢量图形）是一种广泛使用的图形格式，具有出色的可扩展性和可编辑性。图像矢量化旨在将光栅图像转换为SVG，是计算机视觉和图形学中重要而具有挑战性的问题。现有的图像矢量化方法要么在处理复杂图像时重建精度较低，要么需要长时间计算。为解决这个问题，我们提出了SuperSVG，一种基于超像素的矢量化模型，可实现快速和高精度的图像矢量化。具体而言，我们将输入图像分解为超像素，以帮助模型集中处理颜色和纹理相似的区域。然后，我们提出了一个两阶段自我训练框架，其中粗略阶段模型用于重建主要结构，细化阶段模型用于丰富细节。此外，我们提出了一种新颖的动态路径扭曲损失，以帮助细化阶段模型从粗略阶段模型中继承知识。广泛的定性和定量实验表明，与最先进的方法相比，我们的方法在重建精度和推理时间方面具有卓越的性能。代码可在 \url{https://github.com/sjtuplayer/SuperSVG} 上获得。

解决问题：论文旨在解决图像矢量化的问题，即将光栅图像转换为可伸缩矢量图像，同时保证高精度和快速性能。这是一个已知的问题，但现有的方法在处理复杂图像时精度较低或计算时间较长。

关键思路：论文提出了一种基于超像素的矢量化模型SuperSVG，该模型将输入图像分解成超像素，以便模型专注于颜色和纹理相似的区域。然后，论文提出了一个两阶段的自我训练框架，其中粗略阶段模型用于重建主要结构，细化阶段模型用于丰富细节。此外，论文提出了一种新的动态路径扭曲损失，以帮助细化阶段模型从粗略阶段模型继承知识。

其他亮点：论文通过大量的定量和定性实验，证明了SuperSVG方法在重建精度和推理时间方面优于现有方法。论文提供了代码开源，并且使用了一些公开数据集进行实验。该方法的进一步研究可能包括将其应用于其他领域的图像矢量化，以及更深入地探索动态路径扭曲损失的潜力。

相关研究：最近的相关研究包括基于深度学习的图像矢量化方法，如DeepSVG和SVGnet。此外，还有一些基于光流和聚类的方法，如Flow2SVG和ClusterSVG。