論文の概要: Vector Scaffolding: Inter-Scale Orchestration for Differentiable Image Vectorization

• arxiv url: http://arxiv.org/abs/2605.11913v1
• Date: Tue, 12 May 2026 10:27:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-13 21:48:56.796782
• Title: Vector Scaffolding: Inter-Scale Orchestration for Differentiable Image Vectorization
• Title（参考訳）: Vector Scaffolding: 画像ベクトル化のためのスケール間オーケストレーション
• Abstract要約: 本稿では,フラットなピクセルマッチングからベクトルグラフィックスに適した構造化トポロジ構築へ移行する,新しい階層的最適化フレームワークを提案する。 実験により,PSNRを従来の技術に比べて最大1.4dB向上させながら,2.5times$で最適化を高速化することを示した。
• 参考スコア（独自算出の注目度）: 48.98909774916165
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Differentiable vector graphics have enabled powerful gradient-based optimization of vector primitives directly from raster images. However, existing frameworks formulate this as a flat optimization problem, forcing hundreds to thousands of randomly initialized curves to blindly compete for pixel-level error reduction. This disordered optimization leads to topology collapse, where macroscopic structures are distorted by internal high-frequency noise, resulting in a redundant and uneditable "polygon soup" that limits practical editability. To address this limitation, we propose Vector Scaffolding, a novel hierarchical optimization framework that shifts from flat pixel-matching to structured topological construction tailored for vector graphics. By identifying a key cause of topology collapse as the mathematical imbalance between area and boundary gradients, we introduce Interior Gradient Aggregation to stabilize the learning dynamics of multi-scale curve mixtures. Upon this stabilized landscape, we employ Progressive Stratification and Rapid Inflation Scheduling to progressively densify vector primitives with extremely high learning rates ($\times 50$). Experiments demonstrate that our approach accelerates optimization by $2.5\times$ while simultaneously improving PSNR by up to 1.4 dB over the previous state of the art.
• Abstract（参考訳）: 微分可能ベクトルグラフィックスは、ラスタ画像から直接ベクトルプリミティブの強力な勾配に基づく最適化を可能にした。 しかし、既存のフレームワークはこれをフラットな最適化問題として定式化し、数百から数千のランダムな初期化曲線は、ピクセルレベルのエラー低減に盲目的に競合する。 この混乱した最適化はトポロジーの崩壊を招き、内部の高周波ノイズによってマクロ構造が歪んでしまう。 この制限に対処するために,ベクトルグラフィックスに適した平坦なピクセルマッチングから構造化トポロジ構築へ移行する,新しい階層的最適化フレームワークであるVector Scaffoldingを提案する。 領域と境界勾配の数学的不均衡としてトポロジ崩壊の重要な原因を同定することにより,多スケール曲線混合の学習力学を安定化させる内部グラディエント・アグリゲーションを導入する。 この安定化されたランドスケープでは、プログレッシブ・ストラテフィケーションとラピッド・インフレーション・スケジューリングを使用して、非常に高い学習率(50ドル)でベクトルプリミティブを段階的に密度化します。 実験により,PSNRを従来の最先端技術よりも最大1.4dB向上させながら,最適化を2.5\times$で高速化することを示した。

関連論文リスト

• CubicSplat: Differentiable Vector Graphics via Error-Bounded Forward Relaxation [41.42805325196858]
  ベジエの最も近い点解法を、幾何誤差が$O(S-2)$で有界な一様ポリラインサロゲートに置き換える新しいタイプのベクトルグラフ解法であるCubeicSplatを導入する。 結果の静的な計算グラフは構成によってよく条件付き勾配を得るが、PSN由来の可視性メカニズムは補助正則化なしでプリミティブを創出する。
  論文  参考訳（メタデータ） (2026-08-21T07:21:08Z)
• Elucidating Subspace Perturbation in Zeroth-Order Optimization: Theory and Practice at Scale [33.38543010618118]
  Zeroth-order (ZO) 最適化は、勾配ベースのバックプロパゲーション法に代わる有望な代替手段として登場した。 高次元性が主要なボトルネックであることを示し、サブスペースの摂動が勾配ノイズを減らし収束を加速させる方法について説明するために、テキストサブスペースアライメントの概念を導入する。 本稿では,ブロック座標降下法(MeZO-BCD)を用いた効率的なZO法を提案し,各ステップでパラメータのサブセットのみを摂動・更新する。
  論文  参考訳（メタデータ） (2025-01-31T12:46:04Z)
• Segmentation-guided Layer-wise Image Vectorization with Gradient Fills [6.037332707968933]
  そこで本稿では,画像を勾配を埋め込んだ簡潔なベクトルグラフに変換するためのセグメンテーション誘導ベクトル化フレームワークを提案する。 組込み勾配認識セグメンテーションの指導により, 段階的に勾配を埋め込んだB'ezierパスを出力に付加する。
  論文  参考訳（メタデータ） (2024-08-28T12:08:25Z)
• Gradient-Variation Online Learning under Generalized Smoothness [56.38427425920781]
  勾配変分オンライン学習は、オンライン関数の勾配の変化とともにスケールする後悔の保証を達成することを目的としている。 ニューラルネットワーク最適化における最近の取り組みは、一般化された滑らかさ条件を示唆し、滑らかさは勾配ノルムと相関する。 ゲームにおける高速収束と拡張逆最適化への応用について述べる。
  論文  参考訳（メタデータ） (2024-08-17T02:22:08Z)
• Euler's Elastica Based Cartoon-Smooth-Texture Image Decomposition [4.829677240798159]
  グレースケール画像を3つの異なる成分に分解する新しいモデルを提案する。 構造部は強い境界と強い光-暗黒遷移のある領域、滑らかな部分、柔らかい影と影、振動、テクスチャとノイズを表す。
  論文  参考訳（メタデータ） (2024-07-03T03:42:33Z)
• Stable Nonconvex-Nonconcave Training via Linear Interpolation [51.668052890249726]
  本稿では,ニューラルネットワークトレーニングを安定化(大規模)するための原理的手法として,線形アヘッドの理論解析を提案する。 最適化過程の不安定性は、しばしば損失ランドスケープの非単調性によって引き起こされるものであり、非拡張作用素の理論を活用することによって線型性がいかに役立つかを示す。
  論文  参考訳（メタデータ） (2023-10-20T12:45:12Z)
• Intermediate Layer Optimization for Inverse Problems using Deep Generative Models [86.29330440222199]
  ILOは、深層生成モデルを用いて逆問題を解決するための新しい最適化アルゴリズムである。 提案手法は,StyleGAN-2 や PULSE で導入した最先端手法よりも幅広い逆問題に対して優れていることを示す。
  論文  参考訳（メタデータ） (2021-02-15T06:52:22Z)
• Cogradient Descent for Bilinear Optimization [124.45816011848096]
  双線形問題に対処するために、CoGDアルゴリズム(Cogradient Descent Algorithm)を導入する。 一方の変数は、他方の変数との結合関係を考慮し、同期勾配降下をもたらす。 本アルゴリズムは,空間的制約下での1変数の問題を解くために応用される。
  論文  参考訳（メタデータ） (2020-06-16T13:41:54Z)
• Towards Better Understanding of Adaptive Gradient Algorithms in Generative Adversarial Nets [71.05306664267832]
  適応アルゴリズムは勾配の歴史を用いて勾配を更新し、深層ニューラルネットワークのトレーニングにおいてユビキタスである。 本稿では,非コンケーブ最小値問題に対するOptimisticOAアルゴリズムの変種を解析する。 実験の結果,適応型GAN非適応勾配アルゴリズムは経験的に観測可能であることがわかった。
  論文  参考訳（メタデータ） (2019-12-26T22:10:10Z)

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。