中文 定位 Lang-SVG 是一种带语言先验的分层图像矢量化方法,把光栅图转成结构清晰、可编辑的 SVG,用显式树结构组织图元并标注语义,兼顾渲染保真与结构质量,解决传统矢量化图元难改的问题,让矢量图既保真又好改。 核心能力
- 显式树结构组织 SVG 图元,标注语义与父子关系
- 粒度可控的开放词汇分割先验初始化对象-部件层级
- 多模态大模型结合 SVG 树上下文为节点打语义标签
- 深度自适应简化与树引导剪枝合并,减少冗余节点
适用人群 做图像矢量化、图标生成与可编辑图形的研究者,以及需要把位图转成可编辑 SVG 的设计工具开发者。 注意 论文未在摘要中给出具体数值指标,实际效果建议参考项目主页示例;方法依赖多模态大模型打标签,推理成本高于传统矢量化;评估时建议结合项目主页的实际样例来判断。
日本語 概要 Lang-SVG は、言語の事前知識を取り入れた階層的な画像ベクトル化手法です。ラスター画像を構造が明確で編集可能な SVG に変換し、明示的なツリー構造でプリミティブを整理して意味ラベルを付けます。描画の忠実度と構造品質の両立を目指します。 主な機能
- 明示的なツリー構造で SVG プリミティブを整理し意味と親子関係を付与
- 粒度を制御できるオープン語彙の分割事前知識で階層を初期化
- マルチモーダル大規模モデルが SVG ツリーの文脈でノードにラベル付け
- 深さ適応型の簡略化とツリー誘導の剪定・統合で冗長なノードを削減
こんな人におすすめ 画像ベクトル化やアイコン生成、編集可能な図形を研究する人、ビットマップを編集可能な SVG に変換したいデザインツールの開発者に向いています。 注意点 要旨には具体的な数値指標が示されていないため、実際の効果はプロジェクトのサイトの例で確認するのがおすすめです。ラベル付けにマルチモーダル大規模モデルを使うため、従来のベクトル化より推論コストが高くなります。
한국어 개요 Lang-SVG는 언어 사전 지식을 활용한 계층적 이미지 벡터화 방법입니다. 래스터 이미지를 구조가 명확하고 편집 가능한 SVG로 변환하며, 명시적 트리 구조로 프리미티브를 정리하고 의미 레이블을 부여해 렌더링 충실도와 구조 품질을 모두 잡습니다. 핵심 기능
- 명시적 트리 구조로 SVG 프리미티브를 정리하고 의미와 부모-자식 관계 부여
- 세분화 정도를 조절할 수 있는 개방형 어휘 분할 사전 지식으로 계층 초기화
- 멀티모달 대형 모델이 SVG 트리 맥락을 이용해 노드에 의미 레이블 부여
- 깊이 적응형 단순화와 트리 유도 가지치기·병합으로 중복 노드 축소
이런 분께 추천 이미지 벡터화, 아이콘 생성, 편집 가능한 그래픽을 연구하는 사람, 비트맵을 편집 가능한 SVG로 변환하려는 디자인 도구 개발자에게 적합합니다. 주의사항 요약에는 구체적인 수치 지표가 제시되어 있지 않아 실제 효과는 프로젝트 홈페이지의 예시를 참고하는 것이 좋습니다. 레이블링에 멀티모달 대형 모델을 사용하므로 기존 벡터화보다 추론 비용이 높습니다.
English What it is Lang-SVG is a hierarchical image vectorization method with language priors that reconstructs raster images as compact, scalable, editable SVG graphics. Instead of optimizing only for pixel-level rendering fidelity, it organizes SVG primitives into an explicit tree with semantic labels and parent-child relationships, so the result is easy to manipulate. Key capabilities
- Builds an explicit tree structure that organizes SVG primitives with semantic labels and hierarchies
- Uses granularity-controllable, open-vocabulary segmentation priors to initialize object-part hierarchies
- Leverages multimodal large language models with SVG tree context to label unlabeled nodes
- Applies depth-adaptive simplification and tree-guided pruning and merging to cut redundant nodes
Who it is for Researchers working on image vectorization, icon generation, and editable graphics, and developers of design tools that need to turn bitmaps into editable vector artwork. Caveats The abstract reports state-of-the-art performance on rendering fidelity and structural quality but gives no specific numbers, so check the project website examples for the actual output. Labeling depends on a multimodal large language model, which costs more at inference time than traditional vectorization.