讓計算機把真實圖片抽象成簡筆畫，這個任務很有挑戰性，需要模型捕獲最本質的特征

?

以往的工作是找了素描的數據集，而且抽象程度不夠高，筆畫是固定好的，素描對象的種類不多，使得最后模型的效果十分受限

之所以用CLIP是因為它可以不管圖像的風格，都能把物體的視覺特征編碼的特別好

本模型不僅是生成簡筆畫，還可以通過控制使用筆畫的多少實現不同程度的抽象

在白紙上隨機初始化曲線，最后不斷訓練成簡筆畫

一個筆畫1~4個點，點在空間中是二維的(x,y)，模型訓練更改四個點的位置，從而改變筆畫的形狀

learned parameters就是初始化的筆畫

Rasterizer光柵化器是可導的，是圖形學那邊的工作

這篇文章的貢獻在于前面如何更好的初始化，后面如何選擇損失函數

像ViLD一樣，在這里的ground truth是CLIP模型蒸餾，無論是原圖還是簡筆畫，如果它們描述的是同一物體，那么最后得到的特征應該是差不多的，也就是Ls語義損失

但僅有語義不夠，比如馬頭的位置反了，但還是馬，這是語義相近，但是和原始輸入圖像就不匹配了，因此需要在幾何形狀上對模型的輸出進行限制，即Lg。用前幾層去算幾何形狀的loss，因為前幾層語義空間較低，更關注形狀的特征

做了幾個實驗后發現初始化位置很重要，作者提出saliency的方式：把圖片扔進訓練好的ViT，把最后一層的多頭自注意力取一個加權平均，做成一個saliency map，然后看哪個區域更顯著，到顯著的區域上去采點

局限性：

當圖像有背景的時候效果不好；筆畫數是超參，無法自行調整