論文の概要: SemLayer: Semantic-aware Generative Segmentation and Layer Construction for Abstract Icons

• arxiv url: http://arxiv.org/abs/2603.24039v1
• Date: Wed, 25 Mar 2026 07:51:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-26 21:06:11.193168
• Title: SemLayer: Semantic-aware Generative Segmentation and Layer Construction for Abstract Icons
• Title（参考訳）: SemLayer: 抽象アイコンのセマンティックな生成セグメンテーションとレイヤ構築
• Authors: Haiyang Xu, Ronghuan Wu, Li-Yi Wei, Nanxuan Zhao, Chenxi Liu, Cuong Nguyen, Zhuowen Tu, Zhaowen Wang,
• Abstract要約: SemLayerは、編集可能な階層構造を復元するビジュアル生成権限付きパイプラインである。 我々はこの問題をフラット化されたベクトルアートの意味層構築として定式化する。 本研究では,SemLayerの有効性を実証し,従来はフラット化されたベクトルグラフに適用できず,意味層再構成を実用的で価値のあるタスクとして確立する。
• 参考スコア（独自算出の注目度）: 53.57408001182251
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Graphic icons are a cornerstone of modern design workflows, yet they are often distributed as flattened single-path or compound-path graphics, where the original semantic layering is lost. This absence of semantic decomposition hinders downstream tasks such as editing, restyling, and animation. We formalize this problem as semantic layer construction for flattened vector art and introduce SemLayer, a visual generation empowered pipeline that restores editable layered structures. Given an abstract icon, SemLayer first generates a chromatically differentiated representation in which distinct semantic components become visually separable. To recover the complete geometry of each part, including occluded regions, we then perform a semantic completion step that reconstructs coherent object-level shapes. Finally, the recovered parts are assembled into a layered vector representation with inferred occlusion relationships. Extensive qualitative comparisons and quantitative evaluations demonstrate the effectiveness of SemLayer, enabling editing workflows previously inapplicable to flattened vector graphics and establishing semantic layer reconstruction as a practical and valuable task. Project page: https://xxuhaiyang.github.io/SemLayer/
• Abstract（参考訳）: グラフィックアイコンは現代のデザインワークフローの基盤となっているが、しばしば平らなシングルパスや複合パスグラフィックとして配布され、元のセマンティックな階層化が失われる。 この意味分解の欠如は、編集、復元、アニメーションといった下流のタスクを妨げる。 フラット化されたベクトルアートのセマンティックレイヤ構築としてこの問題を形式化し、編集可能な階層構造を復元するビジュアル生成強化パイプラインであるSemLayerを導入する。 抽象アイコンが与えられた後、SemLayerはまず、異なるセマンティックコンポーネントが視覚的に分離可能な色分けされた表現を生成する。 隠蔽領域を含む各部分の完全な幾何を復元するために、コヒーレントなオブジェクトレベルの形状を再構成する意味的な完了ステップを実行する。 最後に、回収された部分は、推論された閉塞関係を持つ階層化されたベクトル表現に組み立てられる。 大規模な定性比較と定量的評価は、SemLayerの有効性を示し、以前はフラット化されたベクトルグラフィックスに適用できなかった編集ワークフローを可能にし、実用的で価値のあるタスクとしてセマンティックレイヤ再構築を確立する。 プロジェクトページ:https://xxuhaiyang.github.io/SemLayer/

関連論文リスト

• Workflow-Aware Structured Layer Decomposition for Illustration Production [9.48320994682878]
  本稿では,アニメ作品のイラスト制作に適したワークフロー対応構造化層分解フレームワークを提案する。 アニメ制作のパイプラインにインスパイアされた本手法は,イラストを意味的に意味のある生産層に分解する。 実験により, 精度, 視覚的コヒーレントな層分解が得られた。
  論文  参考訳（メタデータ） (2026-03-16T07:28:37Z)
• LayerD: Decomposing Raster Graphic Designs into Layers [15.294433619347082]
  LayerDは、グラフィックデザインをレイヤに分解して、再編集可能なクリエイティブワークフローを作成する方法である。 層が一様に見えるという仮定を生かした,単純かつ効果的な改質手法を提案する。 実験では、LayerDは高品質な分解を実現し、ベースラインを上回ります。
  論文  参考訳（メタデータ） (2025-09-29T17:50:12Z)
• LayerPeeler: Autoregressive Peeling for Layer-wise Image Vectorization [14.917583676464266]
  本稿では,新しいレイヤワイド画像ベクトル化手法であるLayerPeelerを紹介する。 最上位の非閉塞層を識別・除去することにより、完全な経路とコヒーレントな層構造を持つベクトルグラフを生成する。 本手法は視覚言語モデルを利用して,要素間の関係をキャプチャする層グラフを構築する。
  論文  参考訳（メタデータ） (2025-05-29T17:58:03Z)
• OmniPaint: Mastering Object-Oriented Editing via Disentangled Insertion-Removal Inpainting [54.525583840585305]
  我々はオブジェクトの削除と挿入を相互依存プロセスとして再概念化する統合フレームワークであるOmniPaintを紹介した。 我々の新しいCFDメトリクスは、コンテキスト整合性とオブジェクト幻覚の堅牢で参照不要な評価を提供する。
  論文  参考訳（メタデータ） (2025-03-11T17:55:27Z)
• Generative Image Layer Decomposition with Visual Effects [49.75021036203426]
  LayerDecompは、イメージ層分解のための生成フレームワークである。 清潔な背景と、忠実に保存された視覚効果を持つ高品質な透明な前景を作り出す。 本手法は,オブジェクト除去や空間編集作業において,既存の手法よりも優れた分解特性を実現する。
  論文  参考訳（メタデータ） (2024-11-26T20:26:49Z)
• Structure-Guided Image Completion with Image-level and Object-level Semantic Discriminators [97.12135238534628]
  複雑な意味論やオブジェクトの生成を改善するために,セマンティック・ディミネータとオブジェクトレベル・ディミネータからなる学習パラダイムを提案する。 特に、セマンティック・ディミネーターは、事前学習された視覚的特徴を利用して、生成された視覚概念の現実性を改善する。 提案手法は, 生成品質を著しく向上させ, 各種タスクの最先端化を実現する。
  論文  参考訳（メタデータ） (2022-12-13T01:36:56Z)
• Towards Layer-wise Image Vectorization [57.26058135389497]
  画像をSVGに変換し,画像トポロジを同時に維持するためのレイヤワイズ画像ベクトル化(LIVE)を提案する。 Liveは、人間の視点にセマンティックに整合した階層構造を持つコンパクトなフォームを生成する。 Liveは、デザイナの両方のために編集可能なSVGを起動し、他のアプリケーションで使用することができる。
  論文  参考訳（メタデータ） (2022-06-09T17:55:02Z)

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。