🤖 AI

A Scalable Vector Graphics Latent Space

Este artículo presenta SLS, un autoencoder basado en Transformer que establece un espacio latente robusto, invertible y continuo para Gráficos Vectoriales Escalables mediante el aprendizaje de representaciones compactas y de tamaño fijo de trayectorias SVG individuales que permiten una reconstrucción de alta fidelidad, una búsqueda de similitud eficiente y ahorros computacionales significativos en comparación con los enfoques basados en tokens.

Autores originales: Leonardo Zini, Elia Frigieri, Lorenzo Baraldi

Publicado 2026-08-25

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Leonardo Zini, Elia Frigieri, Lorenzo Baraldi

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Durante décadas, las computadoras han dominado el arte de comprender imágenes hechas de píxeles, los diminutos cuadrados de colores que forman cada fotografía en una pantalla. Este éxito se basa en un truco ingenioso: comprimir una imagen compleja en un único y denso punto de datos que capture su esencia, permitiendo que las máquinas encuentren imágenes similares, las describan con palabras o incluso creen nuevas desde cero. Sin embargo, un tipo diferente de lenguaje visual ha permanecido fuera del alcance de estas mismas herramientas durante mucho tiempo. Este es el mundo de los gráficos vectoriales, las instrucciones matemáticas utilizadas para dibujar iconos, logotipos y elementos de interfaz de usuario que se mantienen nítidos a cualquier tamaño. A diferencia de una fotografía, que es una cuadrícula fija de puntos, una imagen vectorial es un conjunto de comandos precisos que le dicen a la computadora cómo dibujar líneas, curvas y formas. Durante años, la inteligencia artificial tuvo dificultades para dar sentido a estas instrucciones, tratándolas a menudo como texto torpe o convirtiéndolas de nuevo en píxeles, perdiendo la estructura misma que las hace editables y escalables.

Un equipo de investigadores de la Universidad de Módena y Reggio Emilia ha construido ahora un puente hacia este mundo ausente. Han introducido un nuevo sistema llamado SLS, que crea un espacio compacto y continuo para estas instrucciones vectoriales, de forma muy similar a los sistemas que ya existen para las fotografías. En lugar de obligar a una computadora a leer miles de comandos de dibujo individuales como una oración larga y confusa, SLS aprende a condensar cada forma distinta en un único y denso punto de datos. Este punto contiene toda la información necesaria sobre la geometría de la forma y su estilo, como su color y grosor. El sistema está diseñado para ser reversible; así como un humano puede mirar un dibujo y describirlo, la computadora puede tomar este único punto de datos y reconstruir perfectamente las instrucciones de dibujo originales, hasta el último detalle. Este avance permite a las máquinas buscar formas específicas, describir iconos complejos en lenguaje natural y combinar diferentes elementos con una velocidad y eficiencia que antes era imposible.

El núcleo de este logro reside en cómo los investigadores enseñaron a la computadora a leer las instrucciones. Los métodos tradicionales a menudo intentaban tratar cada comando de dibujo como una palabra separada, lo que generaba secuencias demasiado largas y desordenadas para que la IA moderna las manejara de manera efectiva. El equipo, en cambio, utilizó un enfoque basado en datos para dividir las instrucciones en fragmentos significativos, de forma similar a como un humano podría reconocer una frase en lugar de deletrear cada letra. Entrenaron una red neuronal para convertir estos fragmentos en un vocabulario unificado que incluye los comandos, los números que definen las curvas y los ajustes de estilo como la opacidad y el color de relleno. Al procesar los datos de esta manera, el sistema aprende a mapear cada forma individual a una ubicación específica en un espacio multidimensional. Sorprendentemente, los investigadores descubrieron que estas ubicaciones se asientan naturalmente en un patrón consistente, formando una esfera donde cada punto está equidistante del centro. Esta regularidad geométrica permite al sistema realizar operaciones matemáticas simples para encontrar formas similares o mezclar diferentes conceptos, todo ello sin necesidad de reentrenar el modelo para cada nueva tarea.

Los resultados de este nuevo enfoque son sorprendentes en cuanto a su eficiencia y precisión. Cuando se probó en la tarea de describir imágenes vectoriales, el sistema redujo la cantidad de datos que la computadora necesitaba procesar en más de cien cincuenta veces en comparación con los métodos anteriores que trataban las instrucciones como texto bruto. A pesar de esta compresión masiva, el sistema no perdió calidad. Generó con éxito descripciones precisas de iconos y diagramas, superando a modelos más antiguos que dependían de la conversión de las imágenes en píxeles primero. En las pruebas que involucraron la recuperación de formas específicas de una base de datos de cientos de miles de elementos, el sistema fue capaz de encontrar las coincidencias correctas con un nivel de precisión que superó tanto a los codificadores basados en píxeles como a los intentos anteriores específicos de vectores. Los investigadores también demostraron que el sistema podía manejar imágenes que nunca había visto, manteniendo su capacidad para reconocer y reconstruir formas incluso cuando los datos provenían de una fuente diferente, demostrando que había aprendido las reglas fundamentales de los gráficos vectoriales en lugar de simplemente memorizar ejemplos específicos.

Quizás el aspecto más significativo de este trabajo es su capacidad para preservar las instrucciones originales. Muchos intentos previos de comprender los gráficos vectoriales consistían en convertirlos en píxeles, lo que significaba que la computadora nunca podía recuperar los comandos de dibujo originales. Si una máquina quería editar la imagen, tenía que empezar desde cero. El nuevo sistema, sin embargo, es totalmente invertible. Puede tomar una forma compleja, comprimirla en un único punto de datos y luego expandir ese punto de vuelta a la serie exacta de comandos de dibujo originales. Esto significa que la computadora no solo puede entender la imagen, sino también manipularla con la misma precisión que un diseñador humano esperaría. El sistema demostró ser robusto frente a pequeños errores o ruido, manteniendo la integridad de la forma incluso cuando los datos eran ligeramente perturbados. Al establecer una forma fiable, compacta y reversible de representar los gráficos vectoriales, este trabajo abre la puerta a una nueva generación de herramientas que pueden generar, buscar y editar contenido visual escalable con la misma facilidad con la que manejamos actualmente las fotografías.

Resumen Técnico: Un Espacio Latente de Gráficos Vectoriales Escalables (SLS)

Declaración del Problema
Los Gráficos Vectoriales Escalables (SVG) son el estándar para el contenido visual independiente de la resolución, sin embargo, la comunidad de aprendizaje profundo carece de un espacio latente continuo, denso e invertible diseñado específicamente para representaciones vectoriales. Los enfoques existentes sufren limitaciones fundamentales:

Rasterización: Los métodos que convierten los SVG en imágenes basadas en píxeles (por ejemplo, usando CLIP o DINOv2) descartan la estructura geométrica simbólica subyacente y los atributos de estilo, lo que los hace no invertibles a un código SVG válido.
LLMs basados en Tokens: Los enfoques que tratan el marcado SVG como secuencias de texto bruto (por ejemplo, IconShop, LLM4SVG) generan o consumen secuencias de tokens largas. Esto resulta en representaciones dispersas y de alta dimensión que sobrecargan las ventanas de contexto, complican tareas posteriores como la recuperación y no logran proporcionar un espacio latente compacto para el razonamiento vectorial.
Calidad de Incrustación Limitada: Los codificadores específicos de vectores previos (por ejemplo, DeepSVG) a menudo dependen de parametrizaciones rígidas basadas en comandos que omiten atributos estilísticos o no logran aprender incrustaciones (embeddings) continuas de alta fidelidad.

El desafío central es construir un espacio de incrustación continuo donde los caminos (paths) individuales de un SVG se mapeen a un único vector denso que preserve tanto la estructura geométrica como el estilo, sea invertible a un marcado SVG válido y soporte operaciones eficientes en el espacio vectorial.

Metodología: SLS (Espacio Latente de SVG)
Los autores proponen SLS, un autoencoder basado en Transformer diseñado para aprender representaciones latentes compactas de caminos SVG individuales. La arquitectura y la estrategia de entrenamiento se definen mediante los siguientes componentes clave:

Granularidad a Nivel de Camino (Path-Level): A diferencia de los métodos que procesan archivos SVG completos, SLS opera sobre caminos individuales. Los objetos SVG compuestos se descomponen en secuencias de caminos independientes, reduciendo la longitud promedio de las secuencias en más de dos órdenes de magnitud en comparación con los enfoques de imagen completa.
Tokenización BPE Basada en Datos: En lugar de utilizar límites rígidos basados en comandos, SLS emplea un tokenizador de Codificación de Par de Bytes (BPE) entrenado directamente en corpus de caminos. Esto crea un vocabulario unificado que abarca comandos de dibujo, coordenadas numéricas y atributos de estilo (relleno, trazo, opacidad). Este enfoque maneja naturalmente la mezcla heterogénea de información geométrica y estilística, capturando variaciones que los tokenizadores rígidos pasan por alto.
Arquitectura Encoder-Decoder:
- Encoder (Codificador): Un codificador Transformer procesa la secuencia de tokens del camino. En lugar de usar un token [CLS] aprendible, el modelo utiliza el estado oculto final correspondiente al token de Fin de Secuencia (</s>) como la incrustación densa global ( $\mathbf{z}$ ).
- Decoder (Decodificador): Un decodificador autorregresivo ligero reconstruye la secuencia de tokens original condicionada al vector latente $\mathbf{z}$ . Debido a la naturaleza determinista y sintácticamente estricta de los caminos SVG, el decodificador emplea decodificación codiciosa (greedy decoding) (seleccionando el token de mayor probabilidad en cada paso) en lugar de muestreo estocástico para asegurar una reconstrucción válida.
Objetivo de Entrenamiento: El modelo se entrena de extremo a extremo utilizando una pérdida de reconstrucción de tokens. Para regularizar el espacio latente, se inyecta ruido Gaussiano ( $\epsilon \sim \mathcal{N}(0, \sigma^2 \mathbf{I})$ ) en la incrustación latente durante el entrenamiento. La función de pérdida combina la Entropía Cruzada ( $\mathcal{L}_{CE}$ ) con un término de divergencia KL ( $\mathcal{L}_{KL}$ ) para imponer consistencia distributiva entre las distribuciones de tokens objetivo y predichas.
Estructura Hiperesférica: Una propiedad emergente notable del codificador entrenado es que las representaciones latentes exhiben una norma $\ell_2$ casi constante. Consecuentemente, las incrustaciones se sitúan naturalmente cerca de una hiperesfera unitaria. En la inferencia, las incrustaciones se normalizan a norma unitaria ( $\mathbf{z}_{norm}$ ) para permitir una búsqueda eficiente por similitud de coseno. Para la reconstrucción, la norma se reescala por la media empírica antes de la decodificación.

Contribuciones Clave

Espacio Latente Invertible a Nivel de Camino: SLS introduce un espacio latente escalable donde cada camino SVG se mapea a un único vector denso. Este espacio es totalmente invertible, permitiendo la reconstrucción del camino SVG original con alta fidelidad geométrica y de estilo, una capacidad que carecen los codificadores basados en rasterización.
Tokenización BPE Unificada: El artículo demuestra que aplicar un tokenizador BPE basado en datos de manera uniforme a comandos, coordenadas y atributos de estilo produce representaciones más ricas que las alternativas rígidas basadas en comandos, capturando eficazmente la variación estilística.
Incrustaciones Hiperesféricas: El espacio aprendido organiza naturalmente las incrustaciones en una hiperesfera unitaria, permitiendo operaciones posteriores eficientes (recuperación, composición) mediante simples operaciones en el espacio vectorial sin cambios arquitectónicos complejos.
Generalización y Eficiencia: Las incrustaciones de SLS generalizan a través de diversas tareas (recuperación, subtitulado) y reducen significativamente los costos computacionales. Al comprimir miles de tokens en una sola incrustación, el enfoque reduce los FLOPs de entrenamiento en más de 150× en comparación con los enfoques basados en tokens, con experimentos específicos que muestran una reducción de 167× en los TFLOPs de entrenamiento.

Resultados Experimentales
Los autores validan SLS en tareas de reconstrucción, subtitulado y recuperación:

Reconstrucción: SLS supera significativamente al baseline DeepSVG en métricas a nivel de imagen (MSE, SSIM, LPIPS, similitud DINO) y métricas a nivel de camino (BLEU, METEOR, mIoU). Los resultados cualitativos confirman una reconstrucción superior tanto de la geometría como del estilo.
Subtitulado de Imágenes SVG: Cuando se utiliza como codificador visual para Modelos de Lenguaje Grande (LLMs), las incrustaciones de SLS logran un rendimiento superior comparado con las entradas de tokens XML brutos y DeepSVG. A través de tres backbones de LLM (Qwen3, Llama 3.2, Gemma 2), SLS mejora el CLIP-Score en +2.82 y el BLEU5 en +19.19 en promedio. Crucialmente, reduce la longitud de contexto promedio de ~2432 tokens a ~15.56 tokens, lo que genera una aceleración de 156× en el procesamiento de contexto y una reducción de 167× en los TFLOPs de entrenamiento.
Recuperación de Caminos: En un benchmark de recuperación a gran escala, SLS supera tanto a los codificadores basados en rasterización (CLIP, DINOv2) como a los baselines nativos de SVG (DeepSVG) en similitud visual (MSE-Sim, distancia LAB) y fidelidad sintáctica (BLEU, METEOR), demostrando su capacidad para capturar variaciones estructurales mejor que los modelos a nivel de imagen.
Robustez: El espacio latente permanece estable bajo ruido Gaussiano (hasta $\sigma=0.02$ ) y perturbaciones angulares (hasta 30°), manteniendo la calidad de la reconstrucción.
Generalización: SLS muestra una degradación moderada cuando se aplica a conjuntos de datos fuera de dominio (UniSVG), lo que indica que aprende propiedades generales de SVG en lugar de sobreajustarse. Además, la agregación de incrustaciones de caminos permite una clasificación efectiva a nivel de imagen, casi duplicando el rendimiento de DeepSVG.

Significancia
El artículo postula que SLS proporciona un bloque de construcción fundamental para la investigación de gráficos vectoriales, análogo al papel que jugaron los Autoencoders Variacionales para las imágenes rasterizadas. Al establecer un espacio latente continuo, invertible y semánticamente estructurado, SLS cierra la brecha entre las representaciones vectoriales simbólicas y los modelos fundacionales modernos. Permite el razonamiento escalable sobre contenido vectorial sin descartar la estructura geométrica ni incurrir en la sobrecarga computacional de procesar secuencias de tokens largas, facilitando así la investigación futura en modelado, generación y edición nativa de vectores.

Resumen Técnico: Un Espacio Latente de Gráficos Vectoriales Escalables (SLS)

Más como este