CreatiParser：ラスタ画像のグラフィックデザインを編集可能なレイヤーへ生成的に解析

要旨: グラフィックデザインの画像は、テキスト、背景、装飾要素などの複数の編集可能なレイヤーから構成される一方で、ほとんどの生成モデルは明示的なレイヤー構造を持たずにラスター化された出力を生成するため、下流の編集が制限される。既存のグラフィックデザイン解析手法は典型的に、レイアウト予測、マッティング、インペインティングを組み合わせた多段階パイプラインに依存しており、誤差の蓄積や制御性の限定といった問題がある。我々は、ラスターからレイヤーへのグラフィックデザイン解析のためのハイブリッドな生成フレームワークを提案する。これにより、デザイン画像を編集可能なテキスト、背景、ステッカーレイヤーに分解する。テキスト領域は、視覚言語モデルを用いてテキスト描画プロトコルへと解析し、忠実な再構成と柔軟な再編集を可能にする。一方、背景およびステッカーレイヤーは、RGBA 対応を備えたマルチブランチ拡散アーキテクチャによって生成する。さらに、ParserReward を導入し、Group Relative Policy Optimization と統合することで、生成品質を人間のデザイン嗜好に整合させる。扱いが難しい 2 つのデータセット、
\emph{i.e.,} Parser-40K および Crello データセット、に対する大規模な実験により、既存手法よりも優れた性能を示し、例えば全指標にわたる全体平均で 23.7\% の改善を達成するなどの結果が得られた。