DuetSVG: Geração Unificada de SVG Multimodal com Orientação Visual Interna
DuetSVG: Unified Multimodal SVG Generation with Internal Visual Guidance
December 11, 2025
Autores: Peiying Zhang, Nanxuan Zhao, Matthew Fisher, Yiran Xu, Jing Liao, Difan Liu
cs.AI
Resumo
As abordagens baseadas em modelos visão-linguagem (VLM) recentes obtiveram resultados impressionantes na geração de SVG. No entanto, por gerarem apenas texto e carecerem de sinais visuais durante a decodificação, frequentemente apresentam dificuldades com semântica complexa e falham em produzir SVGs visualmente atraentes ou geometricamente coerentes. Apresentamos o DuetSVG, um modelo multimodal unificado que gera conjuntamente *tokens* de imagem e *tokens* SVG correspondentes de forma *end-to-end*. O DuetSVG é treinado em conjuntos de dados de imagem e SVG. Durante a inferência, aplicamos uma nova estratégia de dimensionamento em tempo de teste que aproveita as previsões visuais nativas do modelo como orientação para melhorar a qualidade da decodificação SVG. Experimentos extensivos demonstram que nosso método supera os métodos existentes, produzindo SVGs visualmente fiéis, semanticamente alinhados e sintaticamente limpos em uma ampla gama de aplicações.
English
Recent vision-language model (VLM)-based approaches have achieved impressive results on SVG generation. However, because they generate only text and lack visual signals during decoding, they often struggle with complex semantics and fail to produce visually appealing or geometrically coherent SVGs. We introduce DuetSVG, a unified multimodal model that jointly generates image tokens and corresponding SVG tokens in an end-to-end manner. DuetSVG is trained on both image and SVG datasets. At inference, we apply a novel test-time scaling strategy that leverages the model's native visual predictions as guidance to improve SVG decoding quality. Extensive experiments show that our method outperforms existing methods, producing visually faithful, semantically aligned, and syntactically clean SVGs across a wide range of applications.