alexandre01/deepsvg

解决的问题

DeepSVG 解决了使用深度学习生成和动画矢量图形（SVG）的困难。与像素图像（位图）不同，SVG 由数学路径和命令组成，使得标准神经网络难以处理和实现平滑动画。

工作原理

该项目实现了一个分层生成网络，能够学习矢量图形的结构。它包含一个专用库，可解析 SVG 文件，使用 Ramer-Douglas-Peucker 等算法简化路径，并将 SVG 数据转换为可微分的 PyTorch 张量。这使得模型能够执行潜在空间操作，例如在两个不同图标之间进行插值以创建平滑动画，或通过梯度下降优化形状以匹配目标。

适用人群

• 专注于矢量图形生成模型的 AI 研究人员。
• 开发 2D 动画和图形设计工具的开发者。
• 处理 SVG 数据集和可微分几何的数据科学家。

主要亮点

• 分层生成网络：专为矢量图形动画的结构化特性设计的模型。
• SVG 深度学习库：用于解析、简化、增强和将 SVG 转换为 PyTorch 张量的工具。
• 可微分优化：使用梯度下降法变形形状以匹配目标的能力。
• 实验性 GUI：受 Figma 启发的界面，用于可视化模型输出并创建 2D 动画。
• 预处理数据集：包含 SVG-Icons8 和 Font 数据集，可立即复现。