論文の概要: Compositional SVG Generation via VLM-Driven Hierarchical Semantic Parsing
- arxiv url: http://arxiv.org/abs/2609.14657v1
- Date: Sun, 13 Sep 2026 16:50:07 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-16 07:15:05.891445
- Title: Compositional SVG Generation via VLM-Driven Hierarchical Semantic Parsing
- Title（参考訳）: VLM駆動階層的意味解析による合成SVG生成
- Abstract要約: セマンティックコンポジション生成のためのVLM駆動型エージェントフレームワークを提案する。
私たちのパイプラインは、トップダウン分解によって視覚シーンを意味的および幾何学的階層に解析します。
実験により, 予測された構造は, グループ化品質と編集性の両方において, 既存のフラットジェネレーション手法の上限を超えることがわかった。
- 参考スコア（独自算出の注目度）: 18.53393579768945
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: While Vision-Language Models (VLMs) excel at visual reasoning, generating structured, editable Scalable Vector Graphics (SVG) remains a fundamental challenge. Existing pipelines predominantly yield flat, semantically agnostic collections of paths, where editing a single object requires manually identifying its constituent paths. To address this, we propose a VLM-driven agentic framework for semantic compositional SVG generation. Our pipeline recursively parses visual scenes into semantic and geometric hierarchies via top-down decomposition, visual grounding, and prompt-driven amodal occlusion recovery, ensuring each component is geometrically complete. Furthermore, we introduce the Semantic SVG Benchmark with human-annotated semantic groups and novel sub-component metrics (Semantic Recall/Precision, PERE) to explicitly evaluate structural compositionality and functional editability. Experiments show that our natively predicted structures surpass the upper bounds of existing flat-generation methods in both grouping quality and editability, while maintaining state-of-the-art visual fidelity.
- Abstract（参考訳）: VLM(Vision-Language Models)は視覚的推論に優れており、構造化された編集可能なスケーラブルベクトルグラフィックス(SVG)を生成することは依然として根本的な課題である。
既存のパイプラインは、主にフラットで意味不明なパスのコレクションを生成し、単一のオブジェクトを編集するには、その構成パスを手動で識別する必要がある。
そこで本研究では,意味合成SVG生成のためのVLM駆動型エージェントフレームワークを提案する。
我々のパイプラインは、視覚シーンを、トップダウン分解、視覚的接地、アクシデント駆動によるアモーダル・オクルージョン・リカバリを通じて、意味的および幾何学的階層に再帰的に解析し、各コンポーネントが幾何的に完備であることを保証する。
さらに,セマンティックSVGベンチマーク(Semantic SVG Benchmark)を導入し,セマンティックリコール/精度(Semantic Recall/Precision, PERE)を自動生成し,構造的構成性と機能的編集性を明確に評価する。
実験により、我々のネイティブ予測構造は、最先端の視覚的忠実さを維持しながら、グループ化品質と編集性の両方において、既存のフラットジェネレーション手法の上限を超えていることが示された。
関連論文リスト
- SVG-Score: Human-Aligned Evaluation of Text-to-SVG Generation [62.7676301168359]
テキスト間SVG生成のためのヒューマンアライメント評価フレームワークである textbfours を紹介する。
CLIPベースのスコアは、SVGジェネレータが実際に行うエラー、例えば色、数、空間関係にほとんど反応しないことを示す。
次に、テキストセマンティックアライメントのための人間注釈付きデータセットを導入し、生成したSVGがそのキャプションをいかに忠実に反映するかを測定する。
論文 参考訳（メタデータ） (2026-09-03T13:12:37Z) - SOCO: Benchmarking Semantic Object Correspondence in Vision Foundation Models [63.28435103335999]
セマンティックオブジェクト対応のための新しいベンチマークであるSOCOを紹介する。
視覚基盤のバックボーンは強い意味構造をエンコードするが、関連するカテゴリ間での伝達対応は不十分であることを示す。
また,LVLMは画像マッチングよりもテキストプロンプト部分のローカライゼーションが優れていることを示す。
論文 参考訳（メタデータ） (2026-05-29T17:58:48Z) - VAnim: Rendering-Aware Sparse State Modeling for Structure-Preserving Vector Animation [32.226052229379086]
VAnimはオープンドメインのテキスト・トゥ・SVGアニメーションのための最初のフレームワークである。
アニメーションを永続的なSVG DOMツリー上でスパース状態更新(SSU)として再認識する。
また,ベクトルアニメーションの最初のベンチマークであるSVGAnim-134kを紹介する。
論文 参考訳（メタデータ） (2026-05-02T16:10:55Z) - Render-in-the-Loop: Vector Graphics Generation via Visual Self-Feedback [29.19392406217364]
本稿では,SVG合成を段階的に視覚的に認識するプロセスとして再構成する新しい生成パラダイムを提案する。
中間のコードを累積キャンバスにレンダリングすることで、モデルは各ステップで進化する視覚的コンテキストを明示的に観察する。
このビジュアルループを市販のモデルに適用することは、インクリメンタルなビジュアルコードマッピングを活用できないため、最適ではないことを示す。
論文 参考訳（メタデータ） (2026-04-22T16:15:28Z) - FF3R: Feedforward Feature 3D Reconstruction from Unconstrained views [34.14517479047999]
本稿では,制約のないマルチビュー画像シーケンスから幾何学的および意味論的推論を統一する,完全なアノテーションのないフィードフォワードフレームワークであるFF3Rを紹介する。
従来の方法とは異なり、FF3Rはカメラのポーズや深度マップ、セマンティックラベルを必要としない。
i) 意味的文脈で意味的文脈で幾何学的トークンを豊かにするToken-wise Fusion Moduleと(ii) 局所コヒーレンスのための意味的認識ボクセル化とグローバル一貫性のための幾何学的特徴ワープを組み合わせたセマンティック・ジオメトリ相互ブースティング機構である。
論文 参考訳（メタデータ） (2026-04-10T19:45:24Z) - Structural Evaluation Metrics for SVG Generation via Leave-One-Out Analysis [7.246398319376824]
従来のジャックニフェ推定器にインスパイアされた要素レベルのLeft-one-out (LOO)分析を導入する。
LOOスコアは、ゼロショットアーティファクト検出を可能にするLOOスコアによって要素毎にスコアされる。
5世代のシステムと3つの複雑性レベルにわたる19,000以上の編集(5タイプ)で、これらのメトリクスを検証する。
論文 参考訳（メタデータ） (2026-04-09T22:50:41Z) - 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) - Mind-the-Glitch: Visual Correspondence for Detecting Inconsistencies in Subject-Driven Generation [120.23172120151821]
本稿では,事前学習した拡散モデルのバックボーンから視覚的特徴と意味的特徴を分離するための新しいアプローチを提案する。
注釈付きセマンティックと視覚対応を備えた画像ペアを構築する自動パイプラインを導入する。
被験者駆動画像生成における視覚的不整合を定量化する新しい指標であるビジュアルセマンティックマッチングを提案する。
論文 参考訳（メタデータ） (2025-09-26T07:11:55Z) - 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) - Open-Vocabulary Octree-Graph for 3D Scene Understanding [54.11828083068082]
Octree-Graphはオープンな3Dシーン理解のための新しいシーン表現である。
セマンティクスを記憶し、その形状に応じてオブジェクトの占有度を調節するアダプティブ・オクツリー構造を開発する。
論文 参考訳（メタデータ） (2024-11-25T10:14:10Z) - Improving Semantic Segmentation via Decoupled Body and Edge Supervision [89.57847958016981]
既存のセグメンテーションアプローチは、グローバルコンテキストをモデル化することでオブジェクトの内部の一貫性を改善すること、あるいはマルチスケールの特徴融合によって境界に沿ったオブジェクトの詳細を洗練することを目的としている。
本稿では,セマンティックセグメンテーションのための新しいパラダイムを提案する。
我々の洞察は、セマンティックセグメンテーションの魅力ある性能には、画像の高頻度と低頻度に対応するオブジェクトのテキストボディとテキストエッジを具体的にモデル化する必要があるということである。
さまざまなベースラインやバックボーンネットワークを備えた提案したフレームワークが,オブジェクト内部の一貫性とオブジェクト境界を向上させることを示す。
論文 参考訳（メタデータ） (2020-07-20T12:11:22Z)
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。