基于逐元素留删分析的 SVG 生成结构评估指标
机器学习
2026-04-20 v2 应用统计
摘要
SVG生成通常通过比较渲染输出与参考图像来评估，这捕获了视觉相似性，但未捕获使SVG可编辑、可解构和可重用的结构属性。受经典Jackknife法启发，我们引入元素级逐元素留删(LOO)分析。该过程在包含和不包含每个元素的情况下对SVG进行渲染，从而产生用于质量评估和结构分析的元素级信号。从这一单一机制中，我们推导出：(i) 每个元素的质量得分，可实现零样本瑕疵检测；(ii) 通过LOO足迹与VLM驻留概念热图的交叉，实现元素-概念属性；(iii) 四个结构指标：纯净度、覆盖度、紧凑度和局部性，量化SVG模块化的互补角度。这些指标将SVG评估从图像相似性扩展到代码结构，实现元素级诊断和比较视觉概念在SVG代码中如何表示、划分和组织。其实际相关性在19,000多个编辑(5种类型)、5个生成系统和3个复杂度层级上得到验证。
引用
@article{arxiv.2604.08809,
title = {Structural Evaluation Metrics for SVG Generation via Leave-One-Out Analysis},
author = {Haonan Zhu and Adrienne Deganutti and Elad Hirsch and Purvanshi Mehta},
journal= {arXiv preprint arXiv:2604.08809},
year = {2026}
}