論文の概要: Reliable Reasoning in SVG-LLMs via Multi-Task Multi-Reward Reinforcement Learning

• arxiv url: http://arxiv.org/abs/2603.16189v1
• Date: Tue, 17 Mar 2026 07:16:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-18 17:42:07.142999
• Title: Reliable Reasoning in SVG-LLMs via Multi-Task Multi-Reward Reinforcement Learning
• Title（参考訳）: マルチタスクマルチリワード強化学習によるSVG-LLMの信頼性推論
• Authors: Haomin Wang, Qi Wei, Qianli Ma, Shengyuan Ding, Jinhui Yin, Kai Chen, Hongjie Zhang,
• Abstract要約: 本稿では,SVG生成時のモデル推論プロセスを公開する統一的なフレームワークであるSVGのためのChain-of-Thought-Reinforcement Learningを提案する。 SVGモデルをトレーニングしてグループレベルのコードを生成することにより、構造的コヒーレンスと視覚的忠実度を大幅に改善する。 提案手法は,全体の生成能力を体系的に向上し,タスク成功率の向上,SVGのコード品質の向上,視覚的忠実度の向上を実現している。
• 参考スコア（独自算出の注目度）: 15.21004381065588
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: With the rapid advancement of vision-language models, an increasing number of studies have explored their potential for SVG generation tasks. Although existing approaches improve performance by constructing large-scale SVG datasets and introducing SVG-specific tokens, they still suffer from limited generalization, redundant paths in code outputs, and a lack of explicit reasoning. In this work, we present CTRL-S (Chain-of-Thought Reinforcement Learning for SVG), a unified framework that introduces a chain-of-thought mechanism to explicitly expose the model's reasoning process during SVG generation. To support this structured reasoning, we construct SVG-Sophia, a high-quality dataset containing 145K samples across SVG code refinement, Text-to-SVG, and Image-to-SVG tasks. By training the model to generate group-level structured SVG code, CTRL-S significantly improves structural coherence and visual fidelity. Furthermore, we adopt the GRPO algorithm and design a multi-reward optimization framework, incorporating DINO, image-text similarity, format, and code efficiency rewards. Through joint multi-reward optimization and multi-task training, our approach systematically enhances overall generation capabilities. Extensive experiments show that CTRL-S outperforms existing methods, achieving higher task success rates, superior SVG code quality, and exceptional visual fidelity.
• Abstract（参考訳）: 視覚言語モデルの急速な進歩に伴い、SVG生成タスクの可能性を探る研究が増えている。 既存のアプローチでは、大規模なSVGデータセットの構築やSVG固有のトークンの導入によってパフォーマンスが向上するが、それでも限定的な一般化、コード出力の冗長パス、明示的な推論の欠如に悩まされている。 本稿では,SVG生成時のモデルの推論過程を明示するチェーン・オブ・シント機構を導入し,CTRL-S(Chain-of-Thought Reinforcement Learning for SVG)を提案する。 この構造的推論を支援するために,SVGコード修正,テキスト間SVG,画像間SVGタスクを含む高品質なデータセットであるSVG-Sophiaを構築した。 グループレベルのSVGコードを生成するためにモデルをトレーニングすることにより、CTRL-Sは構造的コヒーレンスと視覚的忠実度を大幅に改善する。 さらに、GRPOアルゴリズムを採用し、DINO、画像とテキストの類似性、フォーマット、コード効率の報酬を組み込んだマルチリワード最適化フレームワークを設計する。 共同マルチリワード最適化とマルチタスクトレーニングにより,本手法は全体の生成能力を体系的に向上する。 大規模な実験により、CTRL-Sは既存の手法よりも優れ、タスク成功率の向上、SVGのコード品質の向上、および例外的な視覚的忠実度を実現している。

関連論文リスト

• DuetSVG: Unified Multimodal SVG Generation with Internal Visual Guidance [48.98604326855894]
  本稿では,画像トークンと対応するSVGトークンをエンドツーエンドで共同生成する統合マルチモーダルモデルであるDuetSVGを紹介する。 提案手法は,SVGデコードの品質向上のためのガイダンスとして,モデルのネイティブな視覚的予測を活用する新しいテストタイムスケーリング戦略を適用する。
  論文  参考訳（メタデータ） (2025-12-11T18:23:03Z)
• 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)

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。