연속수 모델링으로 SVG 생성 효율 극대화

초록

본 논문은 SVG와 같은 벡터 그래픽 생성 시 숫자 리터럴을 토큰화하는 비효율성을 극복하기 위해 연속수 모델링(CNM)을 제안한다. 숫자를 별도의 연속값 시퀀스로 처리하고, 전용 숫자 인코더·디코더를 통해 Transformer에 통합함으로써 시퀀스 길이를 크게 줄이고 학습 속도를 30% 이상 향상시킨다. 또한, 퍼셉추얼 보상을 이용한 강화학습 단계로 시각적 품질을 높였으며, 새로운 바이너리 SVGFloat 포맷을 소개한다.

상세 분석

이 논문은 SVG와 같은 벡터 이미지가 본질적으로 연속적인 수치 데이터를 포함한다는 점에 착안한다. 기존의 토큰 기반 접근법은 부동소수점 리터럴을 문자 단위 토큰으로 분해해 평균 7~8개의 토큰을 차지하게 만들며, 이는 시퀀스 길이와 메모리 사용량을 급증시킨다. 저자들은 이를 “숫자 토큰 과다” 문제라 정의하고, 두 개의 병렬 시퀀스(구조 토큰 시퀀스와 연속 수치 시퀀스)로 데이터를 재구성한다. 구조 토큰 시퀀스는 기존 SVG 구문을 그대로 유지하되, 모든 숫자를