論文の概要: VFIG: Vectorizing Complex Figures in SVG with Vision-Language Models

• arxiv url: http://arxiv.org/abs/2603.24575v1
• Date: Wed, 25 Mar 2026 17:52:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-26 21:06:11.422982
• Title: VFIG: Vectorizing Complex Figures in SVG with Vision-Language Models
• Title（参考訳）: VFIG:視覚言語モデルを用いたSVGにおける複素フィギュアのベクトル化
• Authors: Qijia He, Xunmei Liu, Hammaad Memon, Ziang Li, Zixian Ma, Jaemin Cho, Jason Ren, Daniel S Weld, Ranjay Krishna,
• Abstract要約: 実際には、元のベクトルソースファイルは頻繁に失われるか、アクセス不能になる。 複雑かつ高忠実な図形-SVG変換のために訓練された視覚言語モデルのファミリーであるVFIGを提案する。 VFIGはオープンソースのモデル間で最先端のパフォーマンスを達成し、GPT-5.2と同等に動作する。
• 参考スコア（独自算出の注目度）: 43.3181510471477
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Scalable Vector Graphics (SVG) are an essential format for technical illustration and digital design, offering precise resolution independence and flexible semantic editability. In practice, however, original vector source files are frequently lost or inaccessible, leaving only "flat" rasterized versions (e.g., PNG or JPEG) that are difficult to modify or scale. Manually reconstructing these figures is a prohibitively labor-intensive process, requiring specialized expertise to recover the original geometric intent. To bridge this gap, we propose VFIG, a family of Vision-Language Models trained for complex and high-fidelity figure-to-SVG conversion. While this task is inherently data-driven, existing datasets are typically small-scale and lack the complexity of professional diagrams. We address this by introducing VFIG-DATA, a large-scale dataset of 66K high-quality figure-SVG pairs, curated from a diverse mix of real-world paper figures and procedurally generated diagrams. Recognizing that SVGs are composed of recurring primitives and hierarchical local structures, we introduce a coarse-to-fine training curriculum that begins with supervised fine-tuning (SFT) to learn atomic primitives and transitions to reinforcement learning (RL) refinement to optimize global diagram fidelity, layout consistency, and topological edge cases. Finally, we introduce VFIG-BENCH, a comprehensive evaluation suite with novel metrics designed to measure the structural integrity of complex figures. VFIG achieves state-of-the-art performance among open-source models and performs on par with GPT-5.2, achieving a VLM-Judge score of 0.829 on VFIG-BENCH.
• Abstract（参考訳）: スケーラブルベクトルグラフィックス(SVG)は、正確な解像度独立性と柔軟なセマンティック編集性を提供する、テクニカルイラストやデジタルデザインに不可欠なフォーマットである。 しかし実際には、オリジナルのベクトルソースファイルは頻繁に失われたりアクセス不能になり、変更や拡張が難しいラスタ化バージョン(例えば、PNGやJPEG)だけが残る。 これらの数字を手作業で再構築することは、明らかに労働集約的なプロセスであり、元の幾何学的意図を回復するために専門的な専門知識を必要とする。 このギャップを埋めるために、複雑かつ高忠実なフィギュア・ツー・SVG変換のために訓練された視覚言語モデルのファミリーであるVFIGを提案する。 このタスクは本質的にデータ駆動だが、既存のデータセットは通常小規模であり、専門的な図の複雑さを欠いている。 VFIG-DATAは66Kの高品質なフィギュア-SVGペアからなる大規模データセットで、現実世界のペーパーフィギュアと手続き的に生成されたダイアグラムの多種多様な組み合わせから算出される。 SVGは繰り返しプリミティブと階層的な局所構造で構成されていることを認識し、教師付き微調整(SFT)から始まる粗大な訓練カリキュラムを導入し、原子的プリミティブと強化学習(RL)の改良を学習し、グローバルなダイアグラムの忠実度、レイアウトの整合性、トポロジカルエッジケースを最適化する。 最後に、複素数の構造的整合性を測定するために設計された新しい指標を備えた総合的な評価スイートであるVFIG-BENCHを紹介する。 VFIGはオープンソースのモデル間で最先端のパフォーマンスを達成し、GPT-5.2と同等に動作し、VFIG-BENCHのVLM-Judgeスコアは0.829である。

関連論文リスト

• IntroSVG: Learning from Rendering Feedback for Text-to-SVG Generation via an Introspective Generator-Critic Framework [20.964700751378547]
  既存のテキスト間SVG生成法では、最終的なレンダリング画像の視覚的認識は組み込まれていない。 本稿では,イントロスペクティブSVG生成フレームワーク(IntroSVG)を提案する。 提案手法は,いくつかの重要な評価指標にまたがって,最先端の性能を実現する。
  論文  参考訳（メタデータ） (2026-03-10T07:44:51Z)
• SVG-T2I: Scaling Up Text-to-Image Latent Diffusion Model Without Variational Autoencoder [90.28800377462197]
  SVG-T2Iは,VFM機能領域で直接,高品質なテキスト・画像合成をサポートする。 標準のテキスト-画像拡散パイプラインを利用することで、SVG-T2Iは競争性能が向上し、GenEvalは0.75、DPG-Benchは85.78に達した。 私たちは、オートエンコーダと生成モデルを含むプロジェクトを、トレーニング、推論、評価パイプライン、トレーニング済みウェイトとともに完全にオープンソース化し、表現駆動型視覚生成のさらなる研究を支援します。
  論文  参考訳（メタデータ） (2025-12-12T17:45:03Z)
• 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)
• SVGenius: Benchmarking LLMs in SVG Understanding, Editing and Generation [46.49501119029113]
  SVGeniusは3つのプログレッシブディメンション(理解、編集、生成)にわたる2,377のクエリからなる総合ベンチマークである。 SVGeniusは、システマティックな複雑性層を持つ24のアプリケーションドメインの実際のデータに基づいて、8つのタスクカテゴリと18のメトリクスでモデルを評価する。
  論文  参考訳（メタデータ） (2025-06-03T17:58:57Z)
• 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)

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。