Differentiable Stroke Planning with Dual Parameterization for Efficient and High-Fidelity Painting Creation
作者: Jinfan Liu, Wuze Zhang, Zhangli Hu, Zhehan Zhao, Ye Chen, Bingbing Ni
分类: cs.CV
发布日期: 2026-04-06
💡 一句话要点
提出基于双重参数化的可微笔画规划方法，高效高保真地生成绘画作品
🎯 匹配领域: 支柱三：空间感知与语义 (Perception & Semantics)
关键词: 笔画渲染 可微优化 矢量化 双重参数化 贝塞尔曲线 图像重建 风格化渲染
📋 核心要点
- 传统笔画渲染方法易陷入局部最优，可微优化方法缺乏结构感知，导致生成结果不理想。
- 论文提出双重参数化表示，结合离散折线和连续贝塞尔曲线，实现协同优化，提升笔画布局的结构性和质量。
- 实验表明，该方法显著减少笔画数量，提高重建质量，并缩短优化时间，优于现有可微矢量化方法。
📝 摘要（中文）
在基于笔画的渲染中，搜索方法由于离散的笔画放置而经常陷入局部最小值，而可微优化器缺乏结构感知能力，产生非结构化的布局。为了弥合这一差距，我们提出了一种双重表示，通过双向映射机制将离散的折线与连续的贝塞尔控制点耦合起来。这实现了协同优化：局部梯度细化全局笔画结构，而内容感知的笔画提议有助于摆脱较差的局部最优。我们的表示进一步支持受 Gaussian Splatting 启发的初始化，从而实现跨图像的高度并行笔画优化。实验表明，与现有的可微矢量化方法相比，我们的方法减少了 30-50% 的笔画数量，实现了更具结构连贯性的布局，并提高了重建质量，同时减少了 30-40% 的优化时间。
🔬 方法详解
问题定义：现有基于笔画的渲染方法面临两个主要问题。一是基于搜索的方法容易陷入局部最优，因为笔画的放置是离散的。二是可微优化方法虽然可以进行梯度优化，但缺乏对图像结构的感知，导致生成的笔画布局不自然，缺乏整体结构。
核心思路：论文的核心思路是引入一种双重参数化表示，将离散的折线（polyline）和连续的贝塞尔曲线（Bézier curve）结合起来。通过建立两者之间的双向映射关系，实现协同优化。离散折线提供笔画的整体结构，而连续贝塞尔曲线允许局部微调，从而克服了传统方法的局限性。
技术框架：该方法的技术框架主要包含以下几个阶段：1) 初始化：利用 Gaussian Splatting 的思想，在图像上初始化大量的笔画。2) 双重参数化表示：将每个笔画表示为离散折线和连续贝塞尔曲线的组合，并建立两者之间的双向映射关系。3) 协同优化：利用可微优化器，同时优化折线的顶点位置和贝塞尔曲线的控制点。局部梯度用于细化全局笔画结构，而内容感知的笔画提议用于帮助跳出局部最优。4) 渲染：将优化后的笔画渲染成图像。
关键创新：该方法最重要的技术创新点在于双重参数化表示。通过将离散和连续两种表示方式结合起来，既保留了笔画的整体结构，又允许进行局部微调。这种表示方式使得可以利用可微优化器进行高效的优化，同时避免了陷入局部最优。
关键设计：关键设计包括：1) 双向映射机制：设计了一种双向映射机制，用于在离散折线和连续贝塞尔曲线之间进行转换。2) 内容感知的笔画提议：设计了一种内容感知的笔画提议方法，用于在优化过程中提出新的笔画，以帮助跳出局部最优。3) 损失函数：设计了合适的损失函数，用于衡量重建图像与目标图像之间的差异，并引导笔画的优化。
🖼️ 关键图片
📊 实验亮点
实验结果表明，该方法在笔画数量上减少了 30-50%，优化时间减少了 30-40%，同时提高了重建图像的质量，并生成了更具结构连贯性的布局。与现有的可微矢量化方法相比，该方法在各项指标上均取得了显著的提升。
🎯 应用场景
该研究成果可应用于图像矢量化、风格化渲染、绘画创作等领域。通过自动生成高质量的矢量图，可以减少人工干预，提高工作效率。此外，该方法还可以用于创建具有特定风格的艺术作品，为数字艺术创作提供新的可能性。未来，该技术有望在游戏开发、动画制作等领域得到广泛应用。
📄 摘要（原文）
In stroke-based rendering, search methods often get trapped in local minima due to discrete stroke placement, while differentiable optimizers lack structural awareness and produce unstructured layouts. To bridge this gap, we propose a dual representation that couples discrete polylines with continuous Bézier control points via a bidirectional mapping mechanism. This enables collaborative optimization: local gradients refine global stroke structures, while content-aware stroke proposals help escape poor local optima. Our representation further supports Gaussian-splatting-inspired initialization, enabling highly parallel stroke optimization across the image. Experiments show that our approach reduces the number of strokes by 30-50%, achieves more structurally coherent layouts, and improves reconstruction quality, while cutting optimization time by 30-40% compared to existing differentiable vectorization methods.