DesignNet：学习像设计师一样绘制矢量图形

近年来，人工智能驱动的内容生成取得了显着进展。然而，神经网络和人类设计师的运作方式根本不同，这使得它们之间的协作充满挑战。我们通过为神经网络配备设计人员常用的工具来解决可扩展矢量图形 (SVG) 的这一差距，例如轴对齐和命令连接处的显式连续性控制。我们引入了 DesigNet，这是一个分层的 Transformer-VAE，它通过连续的命令参数化直接对 SVG 序列进行操作。我们的主要贡献是两个可微分模块：一个连续性自细化模块，用于预测每个曲线点的 $C^0$、$G^1$ 和 $C^1$ 连续性，并通过修改贝塞尔曲线控制点来强制执行；以及一个具有水平或垂直线捕捉功能的对齐自细化模块。 DesigNet 生成可编辑的轮廓，并取得了与最先进的方法相比具有竞争力的结果，在连续性和对齐方面具有明显更高的准确性。这些属性确保输出更容易细化并集成到专业设计工作流程中。源代码：https://github.com/TomasGuija/DesigNet。