VAnim：構造を保つベクターアニメーションのための、レンダリングを考慮したスパース状態モデリング

要旨: スケーラブル・ベクタ・グラフィックス（SVG）のアニメーション生成は、構造的な編集容易性と解像度非依存性により、プロフェッショナルなデザインにとって極めて重要です。しかし、このタスクは、離散的なコード表現と連続的な視覚ダイナミクスを橋渡しする必要があるため、依然として困難です。既存の最適化ベース手法はしばしばトポロジーの一貫性を破壊し、汎用のLLMは剛直なCSS/SMIL変換に依存して、ジオメトリ（幾何）レベルの非剛体変形をモデル化できません。これらの制約に対処するため、私たちは開放領域のテキストからSVGアニメーションへの変換を扱う、最初のLLMベースの枠組みであるVAnimを提案します。私たちはアニメーションを、シーケンス生成として捉えるのではなく、永続的なSVG DOMツリーに対する疎な状態更新（Sparse State Updates; SSU）として再概念化します。このパラダイムにより、SVG DOM構造を保持し、参加しない要素は構成（設計）によって維持したまま、シーケンス長を9.8倍以上圧縮します。正確な制御を可能にするために、テキストによる指示を明示的な視覚エンティティに根拠づける、Identification-First Motion Planning（識別優先の運動計画）メカニズムを提案します。さらに、SVGレンダリングの非微分可能な性質を克服するために、Group Relative Policy Optimization（GRPO）によるレンダリング認識型強化学習を用います。最先端の動画知覚エンコーダからのハイブリッドな報酬を活用することで、離散的なコード更新を高忠実度な視覚フィードバックに整合させます。また、ベクタアニメーションのための最初のベンチマークであるSVGAnim-134kを導入します。大規模な実験により、VAnimがセマンティックな整合性と構造的妥当性の両面で、最先端のベースラインを大幅に上回ることを示します。付録の追加メトリクスは、運動の質およびアイデンティティの保持をさらに裏付けています。