SVG 图形的 AI 生成技术，本质上是让模型学会输出带有几何约束的矢量语言。不同于生成像素阵列，生成 SVG 需要同时解决 **拓扑结构、连续坐标的精确性、颜色填充规则和可读的代码语法** 等问题。目前主流实现可以归为两大技术路线，以及它们的混合变体。
路线一：把 SVG 当作"代码语言"来生成
这种方法将 SVG 视为一种特殊的标记语言（XML 文本或绘图命令序列），直接使用序列模型进行建模，就像让 AI 写代码一样。
1. 序列化表示
一个 SVG 图形的所有元素都可以被展平成一条 token 序列。比如路径 `<path d="M10 20 C30 40..."/>` 可以被拆解为：
-
**命令字母**：`M`（移动到）、`C`（三次贝塞尔）、`L`（直线）、`Z`（闭合）等
-
**坐标数值**：`10 20`、`30 40` 等
-
**样式属性**：`fill="#FF0000"`、`stroke-width="2"` 等
更高级的表示会对结构做分层处理（如 DeepSVG），将整个图分解为多个形状，每个形状再分解为命令序列，这样模型先决定全局布局，再生成局部细节。
2. 模型训练
基于 Transformer 的自回归模型（如 GPT 风格的解码器）在大量 SVG 数据上训练：
-
**输入/输出**：都是上述 token 序列，从前一个 token 预测下一个 token。
-
**嵌入**：命令字母和坐标数字分别编码，坐标通常做归一化处理。
-
**约束解码**：在推理时，可以强制模型只生成合法 SVG 语法的 token（例如 `M` 后面必须跟两个数字），从而 100% 避免语法错误。
-
**典型工作**：StarVector 基于 LLM 微调，能根据文本描述生成图标级 SVG；DeepSVG 使用分层 VAE，可以在潜空间内插值生成新图标。
**优点**：速度快，一次前向传播即可得完整 SVG，结构清晰易编辑。
**局限**：生成的细节丰富度受限于训练数据，很难跳出数据集的风格画出一幅复杂艺术插画。
路线二：把 SVG 当作"可优化画布"进行迭代
这种方法不直接生成文本，而是将 SVG 定义为一组**可微分的几何参数**（贝塞尔曲线控制点、颜色值、透明度等），然后利用强大的视觉模型作为"评鉴师"，反复修改这些参数，直到渲染结果符合描述。
1. 核心组件：可微渲染器
传统的 SVG 渲染（如浏览器）是把矢量参数变成像素的不可微黑盒。为此，研究者开发了**可微渲染器**（如 `diffvg`），它能输出抗锯齿的栅格图像，同时支持对控制点坐标、颜色等参数计算梯度。这意味着你可以像训练神经网络一样，用梯度下降来更新一个圆的圆心位置或贝塞尔曲线的手柄。
2. 优化目标：分数蒸馏采样
这是让矢量图"听懂"自然语言的关键。流程如下：
-
**初始化**：随机生成一组简单的 SVG 参数，比如一个圆形和几个随机路径。
-
**渲染**：用可微渲染器将当前参数渲染成一张像素图 \( x \)。
-
**加噪 & 预测**：给 \( x \) 添加噪声，然后送入一个预训练的**文生图扩散模型**（如 Stable Diffusion）。该模型会根据你的文本提示（如"一只坐在月亮上的猫"），预测当前步应该去除的噪声。
-
**计算 SDS 损失**：扩散模型预测的去噪方向，实际就是"如何修改这幅图才能让它更符合文本描述"。这个方向被转化为一个损失函数（即 SDS 损失），对渲染图 \( x \) 的梯度是可以求出的。
-
**反向传播更新参数**：梯度通过可微渲染器流回 SVG 参数，参数被微调，比如让某个控制点向右移动一点，或者把填充色变暖一点。
-
**重复 2-5**：经过数千次迭代，一个由简单图形开始的矢量画会逐渐长成复杂的、符合提示词的精致插画。
**代表工作**：VectorFusion、DiffSketcher、CLIPasso（使用 CLIP 而非扩散模型）。它们能生成光影丰富、笔触感强的矢量艺术。
**优点**：艺术表现力极强，可处理复杂构图和抽象概念，完全不需要成对的文字-SVG 数据。
**局限**：**生成极慢**（每次需要几百到上千次迭代优化），且生成的 SVG 往往包含成千上万个细小路径，不易直接手动编辑。
其他混合方法与关键挑战
混合路线：图像生成 + 自动矢量化
先用文生图模型（如 Midjourney、DALL·E）生成一张高质量的像素图，再用深度学习矢量化工具（如 DeepVecFont、LIVE、VTracer）将其转换为 SVG。这避开了直接生成矢量的困难，但矢量化后路径可能很繁琐，且丧失了矢量固有的编辑独立性。
潜空间扩散模型
也有工作试图结合两者优势，如 IconShop：先用 Transformer 把 SVG 压缩成离散的潜空间编码（类似 VQ-VAE），然后在这个潜空间中训练扩散模型。生成时在潜空间快速去噪，再解码回 SVG，兼顾了速度和一定多样性。
主要技术挑战
-
**拓扑可微性**：形状的突然出现/消失、遮挡关系的改变，在数学上不可微。现有方案使用软化版近似，但这会引入误差和伪影。
-
**层次和复用**：人类设计的 SVG 善用 `<g>` 组、`<defs>` 和复用，而 AI 生成的往往是一大堆扁平路径，缺乏语义结构。
-
**数值精度与简洁性**：AI 容易产生大量冗余、非平滑的节点，需要后处理简化，但可能破坏渲染效果。
-
**长程一致性**：生成一个包含 200 个形状的 SVG 时，序列模型容易遗忘开头，而优化法难以维持元素间的统一风格。
总结：两种哲学的碰撞
| 维度 | 语言模型式 (SVG as Code) | 扩散优化式 (SVG as Canvas) |
|------|---------------------------|-----------------------------|
| **生成原理** | 自回归预测下一个 token | 基于视觉模型梯度迭代优化参数 |
| **速度** | 秒级出图 | 分钟级（数百次梯度更新） |
| **结构质量** | 语法正确，逻辑清晰，易编辑 | 艺术感强，但路径堆砌，难编辑 |
| **创意自由度** | 受限于训练数据分布 | 可以表现任意复杂的光影和笔触 |
| **数据依赖** | 需要海量高质量 SVG-文本对 | 只需预训练文生图模型，无需矢量数据 |
目前，这两种路线正在相互融合：利用大语言模型先规划图层级结构，再用优化法生成每层的细节；或者用优化法生成大量矢量数据来反哺训练语言模型。AI 生成 SVG 正在从"能用"向"好看且好用"快速演进。