論文の概要: LayerCanvas: Infographic Generation in AI Learning Assistants via Hybrid Layer-Set Diffusion

• arxiv url: http://arxiv.org/abs/2610.18763v1
• Date: Tue, 13 Oct 2026 17:25:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-16 19:52:33.771487
• Title: LayerCanvas: Infographic Generation in AI Learning Assistants via Hybrid Layer-Set Diffusion
• Title（参考訳）: LayerCanvas: ハイブリッド層セット拡散によるAI学習アシスタントのインフォグラフィック生成
• Abstract要約: オンライン学習プラットフォームは、パーソナライズされたオンデマンドのチューターを提供するために、AIアシスタントをますます展開している。 これらはインフォグラフィックを利用して複雑な情報を伝達し、学習体験を改善する。 効果的なインフォグラフィック生成は依然として困難な課題であり、視覚豊かさと正確なタイポグラフィー、構造化レイアウト、継続的な編集性を必要とする。
• 参考スコア（独自算出の注目度）: 1.1793738631588557
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Online learning platforms are increasingly deploying AI assistants to provide personalized, on-demand tutoring. These can leverage infographics to communicate complex information and improve the learning experience. However, automating effective infographic generation remains a challenging task, requiring a combination of visual richness with precise typography, structured layouts, and continued editability. Existing representation methods satisfy these goals only in part: Scalable Vector Graphics (SVG) representations preserve geometry, hierarchy, and text but provide limited aesthetic flexibility, while raster diffusion models produce richer appearances by flattening content and layout into a single image. Conditioning a diffusion model on a rasterized SVG does not resolve this conflict because the raster preserves approximate placement but discards element ownership, occlusion relationships, and the structure needed to modify and recompose the result. We introduce LayerCanvas, a hybrid approach that retains SVG as the semantic, structural, and typographic program while using diffusion to aestheticize non-text content. Rather than generating one flattened raster, LayerCanvas partitions SVG elements into z-ordered sets of mutually non-overlapping elements and processes them through communicating parallel RGB generation streams. The resulting layers are independently editable and deterministically recomposed, while text is rendered from preserved vector metadata. Our approach combines rich visual synthesis with accurate typography and localized editing. LayerCanvas substantially improves text fidelity over state-of-the-art raster image generators while achieving the highest overall aesthetic quality. We further demonstrate non-destructive content editing, localization, asset reuse, and animation.
• Abstract（参考訳）: オンライン学習プラットフォームは、パーソナライズされたオンデマンドのチューターを提供するために、AIアシスタントをますます展開している。 これらはインフォグラフィックを利用して複雑な情報を伝達し、学習体験を改善する。 しかし、効果的なインフォグラフィック生成を自動化することは難しい課題であり、視覚的豊かさと正確なタイポグラフィー、構造化レイアウト、継続的な編集性を必要とする。 拡張ベクトルグラフ(SVG)表現は、幾何、階層、テキストを保存するが、審美的柔軟性は制限されるが、ラスタ拡散モデルは、コンテンツとレイアウトを1つの画像に平らにすることで、よりリッチな外観を生み出す。 ラスタ化SVG上で拡散モデルを条件にすると、ラスタは近似配置を保存するが、要素の所有権、排他的関係、および結果の変更と再構成に必要な構造を捨てるため、この矛盾は解決しない。 本研究では,SVGを意味的,構造的,タイポグラフィ的プログラムとして保持するハイブリッド手法であるLayerCanvasを紹介する。 1つの平坦なラスタを生成する代わりに、LayerCanvasはSVG要素をz順序の非重複要素の集合に分割し、並列なRGB生成ストリームを通じて処理する。 生成されたレイヤは独立して編集可能で、決定論的に分解され、テキストは保存されたベクトルメタデータから描画される。 我々のアプローチは、リッチな視覚合成と正確なタイポグラフィーと局所的な編集を組み合わせたものである。 LayerCanvasは、最先端のラスタ画像ジェネレータよりもテキストの忠実性を大幅に向上し、全体的な美的品質を最高に達成します。 さらに、非破壊的なコンテンツ編集、ローカライゼーション、資産再利用、アニメーションを実証する。

関連論文リスト

• Back2Struct: Making Structured Images Editable Again [11.287084709848402]
  ここではBack2Structを紹介します。 Back2Structは、テキスト、形状、トポロジ、レイアウトを明示的にエンコードする、セマンティックなオブジェクトレベルのSVG/XMLコードを予測する。 生成されたコードはPowerPointのようなツールにシームレスにインポートでき、ユーザーはグラフィックコンテンツを編集、洗練、書き換え、再利用できる。
  論文  参考訳（メタデータ） (2026-09-29T08:36:32Z)
• CreatiParser: Generative Image Parsing of Raster Graphic Designs into Editable Layers [48.779823303618734]
  グラフィックデザイン解析のためのハイブリッドな生成フレームワークを提案する。 デザインイメージを編集可能なテキスト、バックグラウンド、ステッカー層に分解する。 テキスト領域は、視覚言語モデルを用いてテキスト設計プロトコルに解析される。 背景ステッカー層はマルチブランチ拡散アーキテクチャを用いて生成される。
  論文  参考訳（メタデータ） (2026-04-21T16:20:19Z)
• Qwen-Image-Layered: Towards Inherent Editability via Layer Decomposition [73.43121650616804]
  単一のRGB画像を複数の意味的不整合RGBA層に分解するエンドツーエンド拡散モデルである textbfQwen-Image-Layered を提案する。 本手法は,分解品質の既存手法を大幅に上回り,一貫した画像編集のための新しいパラダイムを確立する。
  論文  参考訳（メタデータ） (2025-12-17T17:12:42Z)
• MagicQuillV2: Precise and Interactive Image Editing with Layered Visual Cues [106.02577891104079]
  本稿では,生成画像編集のための合成パラダイムであるMagicQuill V2を提案する。 本手法は,創造性を制御可能な視覚的手がかりのスタックに分解する。
  論文  参考訳（メタデータ） (2025-12-02T18:59:58Z)
• Semantic Document Derendering: SVG Reconstruction via Vision-Language Modeling [32.22298939812003]
  SliDerは視覚言語モデルを用いてスライド画像をコンパクトかつ編集可能なSVG表現としてデレンダする新しいフレームワークである。 SliDerは0.069のLPIPSを復元し、最強のゼロショットVLMベースラインに比べて82.9%のケースでヒト評価者によって好まれる。
  論文  参考訳（メタデータ） (2025-11-17T15:16:13Z)
• 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)
• SVGCraft: Beyond Single Object Text-to-SVG Synthesis with Comprehensive Canvas Layout [14.824205628841158]
  この研究は、テキスト記述からシーン全体を描写したベクトルグラフィックスを作成するための新しいエンドツーエンドフレームワークを導入する。 SVGCraftは、訓練済みエンコーダと不透明度変調によるLPIPS損失を使って最適化され、類似性を最大化する。 抽象化、認識可能性、細部において、以前の作品を上回ることが示されている。
  論文  参考訳（メタデータ） (2024-03-30T16:43:40Z)
• 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)
• DeepSVG: A Hierarchical Generative Network for Vector Graphics Animation [217.86315551526235]
  本稿では,複雑なSVGアイコンの生成と操作のために,DeepSVGと呼ばれる新しい階層型生成ネットワークを提案する。 我々のアーキテクチャは、その形状自体をエンコードする低レベルのコマンドから、効果的に高レベルの形状を分離します。 我々のネットワークは、多様なベクトルグラフィックスを正確に再構築し、強力なアニメーションツールとして機能することを実証する。
  論文  参考訳（メタデータ） (2020-07-22T09:36:31Z)

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。