論文の概要: Decomate: Leveraging Generative Models for Co-Creative SVG Animation

• arxiv url: http://arxiv.org/abs/2511.06297v1
• Date: Sun, 09 Nov 2025 09:28:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-11 21:18:44.871069
• Title: Decomate: Leveraging Generative Models for Co-Creative SVG Animation
• Title（参考訳）: Decomate: Co-Creative SVGアニメーションのための生成モデルを活用する
• Authors: Jihyeon Park, Jiyoon Myung, Seone Shin, Jungki Son, Joohyung Han,
• Abstract要約: Decomateは自然言語による直感的なアニメーションを可能にする。 システムは生のSVGを意味論的に意味のあるアニメーション対応コンポーネントに再構成する。 Decomateは、自然言語のインタラクションを通じて反復的な洗練をサポートすることで、生成AIを創造性に統合する。
• 参考スコア（独自算出の注目度）: 0.4077787659104315
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Designers often encounter friction when animating static SVG graphics, especially when the visual structure does not match the desired level of motion detail. Existing tools typically depend on predefined groupings or require technical expertise, which limits designers' ability to experiment and iterate independently. We present Decomate, a system that enables intuitive SVG animation through natural language. Decomate leverages a multimodal large language model to restructure raw SVGs into semantically meaningful, animation-ready components. Designers can then specify motions for each component via text prompts, after which the system generates corresponding HTML/CSS/JS animations. By supporting iterative refinement through natural language interaction, Decomate integrates generative AI into creative workflows, allowing animation outcomes to be directly shaped by user intent.
• Abstract（参考訳）: デザイナーは静的SVGグラフィックスをアニメーションする場合、特に視覚構造が所望の動作詳細と一致しない場合、しばしば摩擦に遭遇する。 既存のツールは通常、事前に定義されたグループ化に依存するか、技術的専門知識を必要とする。 本稿では,自然言語による直感的なSVGアニメーションを実現するシステムであるDecomateを提案する。 Decomateは多モーダルな言語モデルを利用して生のSVGを意味論的に意味のあるアニメーション対応のコンポーネントに再構成する。 デザイナーは各コンポーネントの動作をテキストプロンプトで指定し、その後システムは対応するHTML/CSS/JSアニメーションを生成する。 自然言語のインタラクションを通じて反復的な洗練をサポートすることで、Decomateは生成AIを創造的なワークフローに統合し、アニメーションの結果をユーザの意図によって直接形作ることができる。

関連論文リスト

• InternSVG: Towards Unified SVG Tasks with Multimodal Large Language Models [65.49118879021016]
  統合データベンチマークモデルスイートであるInternSVGファミリを提示する。 SAgogeはSVGタスクのための最大かつ最も包括的なマルチモーダルデータセットである。 本稿では,SVG 固有の特殊トークンを用いた SVG 理解,編集,生成のための統合型 MLLM である InternSVG を提案する。
  論文  参考訳（メタデータ） (2025-10-13T12:38:04Z)
• SVGen: Interpretable Vector Graphics Generation with Large Language Models [61.62816031675714]
  本稿では,自然言語記述と組み合わせた高品質なSVGの大規模データセットであるSVG-1Mを紹介する。 我々は、セマンティックガイダンスを強化するために、Chain of Thoughtアノテーション付きのサブセットを含む、SVGトレーニングペアに整合したテキストを作成する。 このデータセットに基づいて,自然言語入力からSVGコードを生成するエンド・ツー・エンド・モデルであるSVGenを提案する。
  論文  参考訳（メタデータ） (2025-08-06T15:00:24Z)
• OmniSVG: A Unified Scalable Vector Graphics Generation Model [69.59073636922287]
  我々は、エンドツーエンドのマルチモーダルSVG生成に事前訓練されたビジョンランゲージモデルを活用する統一フレームワークであるOmniSVGを提案する。 SVGコマンドと座標を離散トークンにパラメタ化することにより、OmniSVGは複雑なSVG構造の合成を維持しながら、低レベルの幾何学から構造論理を分離し、効率的なトレーニングを行う。 本稿では,200万の注釈付きSVGアセットを持つマルチモーダルデータセットMMSVG-2Mと,条件付きSVG生成タスクの標準化された評価プロトコルを紹介する。
  論文  参考訳（メタデータ） (2025-04-08T17:59:49Z)
• NeuralSVG: An Implicit Representation for Text-to-Vector Generation [54.4153300455889]
  本稿では,テキストプロンプトからベクトルグラフィックスを生成する暗黙的なニューラル表現であるNeuralSVGを提案する。 生成したSVGの層構造を促進するために,ドロップアウトに基づく正規化手法を導入する。 ニューラルSVGは、構造化された柔軟なSVGを生成する際に、既存の手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2025-01-07T18:50:06Z)
• Chat2SVG: Vector Graphics Generation with Large Language Models and Image Diffusion Models [14.917583676464266]
  Chat2SVGは大規模言語モデルと画像拡散モデルを組み合わせたハイブリッドフレームワークである。 本システムにより,自然言語による直感的な編集が可能となり,プロのベクトルグラフィックス作成が可能となった。
  論文  参考訳（メタデータ） (2024-11-25T17:31:57Z)
• SVGCraft: Beyond Single Object Text-to-SVG Synthesis with Comprehensive Canvas Layout [14.824205628841158]
  この研究は、テキスト記述からシーン全体を描写したベクトルグラフィックスを作成するための新しいエンドツーエンドフレームワークを導入する。 SVGCraftは、訓練済みエンコーダと不透明度変調によるLPIPS損失を使って最適化され、類似性を最大化する。 抽象化、認識可能性、細部において、以前の作品を上回ることが示されている。
  論文  参考訳（メタデータ） (2024-03-30T16:43:40Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。