如何快速上手LIVE图像矢量化工具从克隆仓库到跑出第一个SVG的完整新手教程【免费下载链接】LIVE-Layerwise-Image-Vectorization[CVPR 2022 Oral] Towards Layer-wise Image Vectorization项目地址: https://gitcode.com/gh_mirrors/li/LIVE-Layerwise-Image-VectorizationLIVELayer-wise Image Vectorization是一个 CVPR 2022 Oral 的开源图像矢量化工具给它一张任意位图PNG/JPG它会像设计师在 PS 里堆图层一样逐层生成可编辑的 SVG 矢量图——每加一条贝塞尔路径就把图像修复一层。本教程带你从零开始克隆仓库、搭建环境直到跑出人生第一个 SVG。上图为 LIVE 的分层图像矢量化效果从 N1 的粗略轮廓到 N128/512 的细节补全图像是一层一层画出来的。 3 分钟搞懂LIVE 为什么能逐层画图传统方法如 DiffVG要一次性优化几百条路径才能拟合图像路径数量不匹配时效果会很差。LIVE 则模拟了分层设计软件的工作方式第 1 层先学出整张图的大致轮廓背景剪影第 2 层再叠加一条路径专门补上剩余的差异如此循环……图像逐渐成形。好处是简单图像只需要极少路径。例如 4 个表情符号每个只用 8 层就完整还原 前置准备安装 LIVE 图像矢量化工具的环境要求项目要求操作系统Linux推荐Windows 可用 WSL2Python3.7建议独立 conda 环境编译器GCC 5.0 ~ 6.0GPUNVIDIA 显卡CUDA ≥ 10.0磁盘预留 2~3 GB 仓库里附带了LIVE/env.yml记录了作者环境的全部依赖版本手动安装遇到版本冲突时可以对照它逐条排查。 第一步克隆仓库并安装依赖git clone https://gitcode.com/gh_mirrors/li/LIVE-Layerwise-Image-Vectorization.git cd LIVE-Layerwise-Image-Vectorization conda create -n live python3.7 conda activate live # 核心依赖 conda install -y pytorch torchvision -c pytorch conda install -y numpy scikit-image conda install -y -c anaconda cmake conda install -y -c conda-forge ffmpeg pip install svgwrite svgpathtools cssutils numba torch-tools scikit-fmm easydict visdom pip install opencv-python4.5.4.60 # 必须锁定此版本避免段错误⚠️opencv-python必须固定在4.5.4.60其他版本容易触发 segmentation fault。 第二步编译安装渲染核心 pydiffvgLIVE 负责把路径画到屏幕上的可微渲染器是 DiffVG位于仓库的DiffVG/目录需要手动编译一次cd DiffVG git submodule update --init --recursive python setup.py install cd ..这一步会编译 CUDA 渲染内核入口DiffVG/setup.py首次执行需要几分钟耐心等待即可。 第三步运行第一个图像矢量化任务进入LIVE/目录执行官方示例命令——用内置的笑脸图LIVE/figures/smile.png240×240生成 5 层 SVGcd LIVE python main.py --config config/base.yaml --experiment experiment_5x1 --signature smile --target figures/smile.png --log_dir log/参数速查表参数含义怎么改--config配置文件基础配置在LIVE/config/base.yaml--experiment层数预设experiment_5x15 层experiment_8x18 层--signature输出命名改成你自己的 SVG 名字--target输入图片可换成data/demo1.png、data/demo2.jpg--log_dir输出目录默认log/仓库还内置了更复杂的示例照片可以直接拿来试另外LIVE/config/base.yaml中的experiment_1357是1→3→5→7 层的渐进式调度很适合观察每一层的作用。 输出结果在哪里找运行结束后进入LIVE/log/找到最新的「时间戳_签名」文件夹里面有output-svg/⭐ 最终逐层生成的 SVG 矢量文件浏览器直接打开即可demo-png/每一步的矢量渲染对比图video-avi/完整的逐层作画过程视频直观感受 LIVE 图像矢量化的过程。❓ 新手常见问题 FAQQ1编译 pydiffvg 报错怎么办九成是环境问题。依次检查CUDA Toolkit ≥ 10 是否装好、GCC 是否在 5.0~6.0 区间、cmake 是否已安装。Q2跑一次要多久240×240 图片、5 层配置在中等 GPU 上约几分钟到十几分钟。复杂照片建议先缩小到 512×512 以内。Q3想改迭代次数 / 学习率怎么办打开LIVE/config/base.yaml修改num_iter默认 500和lr_base即可无需改动代码。✅ 小结三条命令跑通 LIVE 图像矢量化工具克隆仓库 → 装环境并编译 → 运行main.py出 SVG这就是完整流程。接下来你可以用experiment_16x1/experiment_32x1挑战更复杂的照片观看log/里的生成视频理解逐层矢量化的运作方式阅读主入口LIVE/main.py了解路径调度与损失函数的设计。图像矢量化不只是把像素换成路径逐层理解图像本身就是一个值得把玩的生成式方向。祝你实验顺利 【免费下载链接】LIVE-Layerwise-Image-Vectorization[CVPR 2022 Oral] Towards Layer-wise Image Vectorization项目地址: https://gitcode.com/gh_mirrors/li/LIVE-Layerwise-Image-Vectorization创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 
长河君 · 2026/8/22 13:38:07 · 阅读 1.2k 如何快速上手LIVE图像矢量化工具？从克隆仓库到跑出第一个SVG的完整新手教程
如何快速上手LIVE图像矢量化工具从克隆仓库到跑出第一个SVG的完整新手教程【免费下载链接】LIVE-Layerwise-Image-Vectorization[CVPR 2022 Oral] Towards Layer-wise Image Vectorization项目地址: https://gitcode.com/gh_mirrors/li/LIVE-Layerwise-Image-VectorizationLIVELayer-wise Image Vectorization是一个 CVPR 2022 Oral 的开源图像矢量化工具给它一张任意位图PNG/JPG它会像设计师在 PS 里堆图层一样逐层生成可编辑的 SVG 矢量图——每加一条贝塞尔路径就把图像修复一层。本教程带你从零开始克隆仓库、搭建环境直到跑出人生第一个 SVG。上图为 LIVE 的分层图像矢量化效果从 N1 的粗略轮廓到 N128/512 的细节补全图像是一层一层画出来的。 3 分钟搞懂LIVE 为什么能逐层画图传统方法如 DiffVG要一次性优化几百条路径才能拟合图像路径数量不匹配时效果会很差。LIVE 则模拟了分层设计软件的工作方式第 1 层先学出整张图的大致轮廓背景剪影第 2 层再叠加一条路径专门补上剩余的差异如此循环……图像逐渐成形。好处是简单图像只需要极少路径。例如 4 个表情符号每个只用 8 层就完整还原 前置准备安装 LIVE 图像矢量化工具的环境要求项目要求操作系统Linux推荐Windows 可用 WSL2Python3.7建议独立 conda 环境编译器GCC 5.0 ~ 6.0GPUNVIDIA 显卡CUDA ≥ 10.0磁盘预留 2~3 GB 仓库里附带了LIVE/env.yml记录了作者环境的全部依赖版本手动安装遇到版本冲突时可以对照它逐条排查。 第一步克隆仓库并安装依赖git clone https://gitcode.com/gh_mirrors/li/LIVE-Layerwise-Image-Vectorization.git cd LIVE-Layerwise-Image-Vectorization conda create -n live python3.7 conda activate live # 核心依赖 conda install -y pytorch torchvision -c pytorch conda install -y numpy scikit-image conda install -y -c anaconda cmake conda install -y -c conda-forge ffmpeg pip install svgwrite svgpathtools cssutils numba torch-tools scikit-fmm easydict visdom pip install opencv-python4.5.4.60 # 必须锁定此版本避免段错误⚠️opencv-python必须固定在4.5.4.60其他版本容易触发 segmentation fault。 第二步编译安装渲染核心 pydiffvgLIVE 负责把路径画到屏幕上的可微渲染器是 DiffVG位于仓库的DiffVG/目录需要手动编译一次cd DiffVG git submodule update --init --recursive python setup.py install cd ..这一步会编译 CUDA 渲染内核入口DiffVG/setup.py首次执行需要几分钟耐心等待即可。 第三步运行第一个图像矢量化任务进入LIVE/目录执行官方示例命令——用内置的笑脸图LIVE/figures/smile.png240×240生成 5 层 SVGcd LIVE python main.py --config config/base.yaml --experiment experiment_5x1 --signature smile --target figures/smile.png --log_dir log/参数速查表参数含义怎么改--config配置文件基础配置在LIVE/config/base.yaml--experiment层数预设experiment_5x15 层experiment_8x18 层--signature输出命名改成你自己的 SVG 名字--target输入图片可换成data/demo1.png、data/demo2.jpg--log_dir输出目录默认log/仓库还内置了更复杂的示例照片可以直接拿来试另外LIVE/config/base.yaml中的experiment_1357是1→3→5→7 层的渐进式调度很适合观察每一层的作用。 输出结果在哪里找运行结束后进入LIVE/log/找到最新的「时间戳_签名」文件夹里面有output-svg/⭐ 最终逐层生成的 SVG 矢量文件浏览器直接打开即可demo-png/每一步的矢量渲染对比图video-avi/完整的逐层作画过程视频直观感受 LIVE 图像矢量化的过程。❓ 新手常见问题 FAQQ1编译 pydiffvg 报错怎么办九成是环境问题。依次检查CUDA Toolkit ≥ 10 是否装好、GCC 是否在 5.0~6.0 区间、cmake 是否已安装。Q2跑一次要多久240×240 图片、5 层配置在中等 GPU 上约几分钟到十几分钟。复杂照片建议先缩小到 512×512 以内。Q3想改迭代次数 / 学习率怎么办打开LIVE/config/base.yaml修改num_iter默认 500和lr_base即可无需改动代码。✅ 小结三条命令跑通 LIVE 图像矢量化工具克隆仓库 → 装环境并编译 → 运行main.py出 SVG这就是完整流程。接下来你可以用experiment_16x1/experiment_32x1挑战更复杂的照片观看log/里的生成视频理解逐层矢量化的运作方式阅读主入口LIVE/main.py了解路径调度与损失函数的设计。图像矢量化不只是把像素换成路径逐层理解图像本身就是一个值得把玩的生成式方向。祝你实验顺利 【免费下载链接】LIVE-Layerwise-Image-Vectorization[CVPR 2022 Oral] Towards Layer-wise Image Vectorization项目地址: https://gitcode.com/gh_mirrors/li/LIVE-Layerwise-Image-Vectorization创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考