OmniSVG: Ein einheitliches Modell zur Erzeugung skalierbarer Vektorgrafiken

OmniSVG: A Unified Scalable Vector Graphics Generation Model

April 8, 2025

Autoren: Yiying Yang, Wei Cheng, Sijin Chen, Xianfang Zeng, Jiaxu Zhang, Liao Wang, Gang Yu, Xingjun Ma, Yu-Gang Jiang

cs.AI

Zusammenfassung

Scalable Vector Graphics (SVG) ist ein wichtiges Bildformat, das aufgrund seiner Auflösungsunabhängigkeit und Bearbeitbarkeit weit verbreitet in der Grafikdesign-Branche eingesetzt wird. Die Erzeugung hochwertiger SVGs hat kontinuierlich die Aufmerksamkeit von Designern und Forschern in der AIGC-Community auf sich gezogen. Bisherige Methoden erzeugen jedoch entweder unstrukturierte Ausgaben mit hohem Rechenaufwand oder sind auf die Generierung monochromer Icons mit stark vereinfachten Strukturen beschränkt. Um hochwertige und komplexe SVGs zu erzeugen, schlagen wir OmniSVG vor, ein einheitliches Framework, das vortrainierte Vision-Language-Modelle (VLMs) für die end-to-end multimodale SVG-Generierung nutzt. Durch die Parametrisierung von SVG-Befehlen und Koordinaten in diskrete Tokens entkoppelt OmniSVG die strukturelle Logik von der niedrigstufigen Geometrie, um ein effizientes Training bei gleichzeitiger Beibehaltung der Ausdrucksfähigkeit komplexer SVG-Strukturen zu ermöglichen. Um die Entwicklung der SVG-Synthese weiter voranzutreiben, führen wir MMSVG-2M ein, einen multimodalen Datensatz mit zwei Millionen reich annotierten SVG-Assets, zusammen mit einem standardisierten Bewertungsprotokoll für bedingte SVG-Generierungsaufgaben. Umfangreiche Experimente zeigen, dass OmniSVG bestehende Methoden übertrifft und sein Potenzial für die Integration in professionelle SVG-Design-Workflows unterstreicht.

English

Scalable Vector Graphics (SVG) is an important image format widely adopted in graphic design because of their resolution independence and editability. The study of generating high-quality SVG has continuously drawn attention from both designers and researchers in the AIGC community. However, existing methods either produces unstructured outputs with huge computational cost or is limited to generating monochrome icons of over-simplified structures. To produce high-quality and complex SVG, we propose OmniSVG, a unified framework that leverages pre-trained Vision-Language Models (VLMs) for end-to-end multimodal SVG generation. By parameterizing SVG commands and coordinates into discrete tokens, OmniSVG decouples structural logic from low-level geometry for efficient training while maintaining the expressiveness of complex SVG structure. To further advance the development of SVG synthesis, we introduce MMSVG-2M, a multimodal dataset with two million richly annotated SVG assets, along with a standardized evaluation protocol for conditional SVG generation tasks. Extensive experiments show that OmniSVG outperforms existing methods and demonstrates its potential for integration into professional SVG design workflows.