Generative Neural Models for Scalable Vector Graphics

Bc. Josef Kuchař

Master's thesis

Abstract:

Škálovatelná vektorová grafika je přirozeným cílovým formátem pro generovaný vizuální obsah, protože je nezávislá na rozlišení, kompaktní a upravitelná. Přímé generování SVG z textu však zůstává méně vyspělé než generování rastrových obrázků, v němž operují ty nejlepší modely typu text-to-image. Tato práce zkoumá dvoufázovou architekturu pro převod textu na SVG, která odděluje sémantické generování obrazu od převodu rastru na vektor. První fáze adaptuje předtrénovaný text-to-image model pomocí podmiňování promptem a LoRA fine-tuningu ke generování rastrových obrázků, které svým vzhledem připomínají SVG. Druhá fáze tyto obrázky převádí do strukturované reprezentace kubických Bézierových křivek pomocí podmíněného vektorizéru založeného na metodě flow-matching, který je trénován na supervizovaných párech rastr-vektor, a to včetně procedurálně generovaných syntetických dat. Tato dekompozice využívá sémantickou sílu velkých rastrových generátorů a zároveň trénuje menší model specificky pro vektorovou geometrii. Experimenty potvrzují přínos této dekompozice jak na úrovni samotné vektorizace, tak i na komplexní (end-to-end) úrovni. Vektorizér s 0,26 miliardou parametrů je plně konkurenceschopný s neurálními SVG systémy, které jsou 4–31krát větší, přičemž metoda flow-matching překonává autoregresivní variantu o srovnatelné velikosti. Z vygenerovaných rastrů tento přístup vytváří validní a kompaktní SVG spolehlivěji než referenční modely StarVector, i když si ve srovnání s klasickým trasováním zachovává menší pixelovou věrnost. V kvalitativních end-to-end příkladech pak celá pipeline překonává testované referenční modely OmniSVG pro přímé generování tím, že produkuje kompletnější a sémanticky přesnější SVG.

Abstract:

Scalable vector graphics are a natural target format for generated visual content because they are resolution independent, compact, and editable. However, direct text-to-SVG generation remains less mature than raster image generation, where the strongest text-to-image models operate. This thesis studies a two-stage text-to-SVG pipeline that separates semantic image generation from raster-to-vector conversion. The first stage adapts a pretrained text-to-image model with prompt conditioning and LoRA fine-tuning to generate SVG-like raster images. The second stage converts these images into a structured representation of cubic Bezier curves using a conditional flow-matching vectorizer trained on supervised raster-vector pairs, including procedurally generated synthetic data. This decomposition reuses the semantic strength of large raster generators while training a smaller model specifically for vector geometry. Experiments support this decomposition at both the vectorization and end-to-end levels. The 0.26B-parameter vectorizer is competitive with neural SVG systems that are 4--31 times larger, and flow matching outperforms an autoregressive variant of comparable size. On generated rasters, it produces valid, compact SVGs more reliably than the StarVector baselines, while remaining less pixel-faithful than classical tracing. In qualitative end-to-end examples, the full pipeline outperforms the tested direct OmniSVG baselines by producing more complete and semantically aligned SVGs.

Keywords

scalable vector graphics, text-to-vector generation, raster-to-vector conversion, vector graphics generation, editable image representation, geometric reconstruction, neural vectorization, neural networks

Language used: English

Date on which the thesis was submitted / produced: 19. 5. 2026

Thesis defence

• Date of defence: 18. 6. 2026
• Supervisor: Mgr. Michal Štefánik, Ph.D.
• Reader: Mgr. Andrej Černek

Masaryk University

Faculty of Informatics

Master programme / field:
Software Engineering / Design and development of software systems