第二名解决方案

感谢 Kaggle 举办如此出色的比赛，并为每个人提供了一个伟大的平台。我还要感谢我的两位队友：@takuji，他们完成了大量令人难以置信的工作，再次感谢！

最初，像大多数其他人一样，我们使用 Stable Diffusion 生成图像并将其转换为 SVG。当时，@takuji 的得分更高，我们一直在他的基础上工作。然而，一周后，我们仍处于同一水平，迫使我们转向其他方法。

我开始进行一些实验。想法非常简单：在第三个版本中，VQA 分数的权重是美学分数的两倍，所以我们肯定需要关注 VQA。获得高 VQA 分数的唯一方法是通过 OCR。OCR 单词计数的惩罚是在增强之前应用的，而 VQA 分数是在增强之后计算的。所以，如果我们能让一些文本在增强前不可见但在增强后可见，整个问题就解决了。所以我进行了两个小时的实验并发现：如果文本被精心设计的虚线掩码模板覆盖，并且一些文本未被覆盖，那么只有未被覆盖的文本会被识别。虽然这种方法当时还很脆弱，但它为我们打开了一扇通往新世界的大门。

之后，我们仔细设计了字母、模板及其排列。字母和模板由 @takuji 创建，他的代码效率很高——仅用 4,000 个字母，他就插入了大量内容，这给了我们显著的优势。我负责排列代码，主要旨在尽可能将每个单词保持在单列内，避免将它们分成两列。完成此工作后，我们达到了 0.652 的分数。之后的所有提交都仅专注于提高美学分数。

我们发现，放置在掩码区域外的字母组合对美学分数有显著影响。他使用 A100 遍历所有可能的字母和数字组合，选择在 15 个提示中得分最高的组合。最后，他找到了 "Zoe"。

之后，我们还尝试了各种改进（@takuji 完成了大部分工作），例如添加心形符号、调整位置、加倍较短的提示以及随机插入单词以选择美学分数最高的单词。

我原本想使用 DiffVG 来尝试提高分数，但我所有的实验都失败了。它在任务 2 中效果很好，但这些增强完全是不可微分的，我不知道如何处理它们。结果，我最后不得不求助于启发式算法。详情请参考我们的代码。

在最后关头，当我们几乎被第三名团队超越时，@takuji 挺身而出，重写了文本格式，使我们最终获得了第二名。我们最终获得的 SVG：