Een team van wetenschappers heeft een innovatieve methode ontwikkeld genaamd Lang-SVG, die rasterafbeeldingen transformeert naar gestructureerde Scalable Vector Graphics (SVG). In tegenstelling tot traditionele vectorisatie, waarbij de focus vooral ligt op de visuele gelijkenis op pixelniveau, streeft deze nieuwe aanpak naar een resultaat dat voor mensen en ontwerpers logisch is opgebouwd. Volgens een publicatie op arxiv.org leidt de huidige gangbare praktijk vaak tot bestanden die visueel correct zijn, maar technisch gezien onpraktisch om te bewerken omdat de menselijke perceptie van objecten en hun onderdelen wordt genegeerd.
Semantische structuur via taalmodellen
De kern van de innovatie door Xi Liu en collega's ligt in het gebruik van een expliciete boomstructuur. Waar conventionele methoden vaak een eenvoudige lijst van vormen genereren, organiseert Lang-SVG de elementen met semantische labels en hiërarchische relaties. Om deze structuur op te zetten, maakt het systeem gebruik van granulariteitscontrole en zogenaamde 'open-vocabulary segmentation priors'.
Een essentieel onderdeel van dit proces is de integratie van Multimodal Large Language Models (MLLMs). Deze taalmodellen worden ingezet om betekenisvolle labels toe te kennen aan de knooppunten in de SVG-boom. Hierdoor kan het systeem niet alleen de positie van een vorm bepalen, maar ook begrijpen welk specifiek onderdeel van een object de vorm representeert. Deze technologische vooruitgang is gedetailleerd beschreven in de wetenschappelijke documentatie op .
Optimalisatie van de code
Om te voorkomen dat de resulterende SVG-bestanden te complex of redundant worden, hebben de onderzoekers twee specifieke optimalisatietechnieken geïmplementeerd. Ten eerste wordt 'depth-adaptive simplification' toegepast om de complexiteit van de vormen te reduceren. Ten tweede wordt gebruikgemaakt van 'Tree-Guided Pruning and Merging', een proces waarbij overbodige knooppunten in de boomstructuur worden verwijderd om de code compacter te maken.
Om de visuele kwaliteit van het eindresultaat te waarborgen, maakt Lang-SVG gebruik van L1-SAM-Prompting. Deze techniek is erop gericht om ontbrekende regio's in het beeld te herstellen, wat resulteert in een hogere getrouwheid aan het originele rasterbeeld en een completere structurele weergave.
Evaluatie en erkenning
Naast de technische ontwikkeling hebben de onderzoekers een nieuw evaluatieprotocol geïntroduceerd. Dit protocol richt zich specifiek op de structurele kwaliteit en de correcte uitlijning van semantische onderdelen. Uit de uitgevoerde experimenten blijkt dat Lang-SVG superieure prestaties levert in zowel de rendering-getrouwheid als de structurele kwaliteit van de output. Vanwege deze resultaten is het onderzoek geaccepteerd voor presentatie op de conferentie NeurIPS 2026, zoals vermeld in de .
Het is overigens belangrijk om op te merken dat de term "Lang" in Lang-SVG verwijst naar de taalprioriteiten (Language Priors) binnen de AI-architectuur. Er is geen enkel verband met commerciële organisaties met een gelijkaardige naam, zoals de uitgever calendars.com, die zich bezighoudt met de productie van kalenders en dagboeken. De doorbraak van Lang-SVG vindt uitsluitend plaats binnen het vakgebied van computer vision en patroonherkenning.