Grafik vektor sangat penting dalam desain, menyediakan media serbaguna bagi seniman untuk membuat konten visual yang bebas resolusi dan dapat diedit. Kemajuan terkini dalam model bahasa penglihatan dan difusi telah memicu minat terhadap pembuatan grafik teks-ke-vektor. Namun, pendekatan yang ada sering kali memiliki keluaran yang terlalu berparameter atau memperlakukan struktur berlapis — fitur inti grafik vektor — sebagai tujuan sekunder, sehingga mengurangi penggunaan praktisnya. Menyadari pentingnya representasi SVG berlapis, kami mengusulkan NeuralSVG, representasi saraf implisit untuk menghasilkan grafik vektor dari perintah teks. Terinspirasi oleh Neural Radiance Fields (NeRFs), NeuralSVG mengkodekan seluruh adegan ke dalam bobot jaringan MLP kecil, dioptimalkan menggunakan Score Distillation Sampling (SDS). Untuk mendorong struktur berlapis dalam SVG yang dihasilkan, kami memperkenalkan teknik regularisasi berbasis dropout yang memperkuat makna tersendiri dari setiap bentuk. Kami juga menunjukkan bahwa penggunaan representasi saraf memberikan manfaat tambahan dari kontrol waktu inferensi, memungkinkan pengguna untuk secara dinamis mengadaptasi SVG yang dihasilkan berdasarkan masukan yang diberikan pengguna, semuanya dengan satu representasi yang dipelajari. Melalui evaluasi kualitatif dan kuantitatif yang ekstensif, kami menunjukkan bahwa NeuralSVG mengungguli metode yang ada dalam menghasilkan SVG yang terstruktur dan fleksibel.
