SVGEditBench V2

SVGEditBench V2是一个用于指令基础SVG编辑的基准数据集，由东京大学创建。该数据集包含原始SVG图像、编辑后的地面真实SVG图像和编辑提示组成的 triplet。通过从多个公开的SVG表情符号数据集中提取图像对，并使用GPT-4o生成编辑提示构建而成。数据集涵盖了从简单的颜色更改到复杂的元素转换等多种编辑任务，适用于评估SVG编辑方法的效果。

SVGEditBench V2 is a benchmark dataset for instruction-based SVG editing, developed by The University of Tokyo. This dataset consists of triplets composed of original SVG images, edited ground-truth SVG images and corresponding editing prompts. It is constructed by extracting image pairs from multiple publicly available SVG emoji datasets and generating editing prompts using GPT-4o. The dataset covers a wide range of editing tasks, from simple color modifications to complex element transformations, and is suitable for evaluating the performance of SVG editing methods.

搜集汇总

数据集介绍

构建方式

SVGEditBench V2 是一个基于指令的 SVG 编辑基准数据集，旨在评估和促进 SVG 编辑技术的发展。该数据集由 1,683 个三元组组成，每个三元组包含一个原始 SVG 图像、一个经过编辑的 SVG 图像和一个编辑文本提示。数据集的构建过程包括从多个 SVG 表情符号数据集中提取图像对，然后使用 GPT-4o 生成编辑提示。这种方法确保了数据集中包含了各种编辑任务，从简单的颜色变化到复杂的对象转换和风格转换。

特点

SVGEditBench V2 的特点在于其任务的多样性和复杂性。数据集中的任务不仅包括简单的颜色变化，还包括对象转换、风格转换等更复杂的任务。此外，数据集中的编辑提示以对象名称而非颜色描述编辑内容，这要求编辑模型具备对图像内容的语义理解能力。在评估方面，SVGEditBench V2 使用了像素值均方误差、DINOv2 特征余弦相似度、CLIPScore 和 Chamfer 距离等四个指标，从视觉、语义和几何等多个方面全面评估 SVG 编辑效果。

使用方法

SVGEditBench V2 可用于评估和训练 SVG 编辑模型。使用时，首先使用编辑提示对原始 SVG 图像进行编辑，然后将编辑后的图像与数据集中的真实图像进行比较，利用像素值均方误差、DINOv2 特征余弦相似度、CLIPScore 和 Chamfer 距离等指标评估编辑效果。此外，SVGEditBench V2 还可用于分析现有模型在 SVG 编辑方面的优势和不足，为未来 SVG 编辑技术的发展提供参考。

背景与挑战

背景概述

SVGEditBench V2 是一个用于指令式 SVG 编辑的基准数据集，由东京大学的 Kunato Nishina 和 Yusuke Matsui 于 2025 年创建。该数据集旨在解决矢量图形编辑领域缺乏统一基准和数据的现状，为评估和改进 SVG 编辑方法提供平台。SVGEditBench V2 包含 1,683 个三元组，每个三元组包括原始图像、编辑后的图像和编辑提示。该数据集的创建过程涉及从现有的 SVG 表情符号数据集中提取图像对，并使用 GPT-4o 生成编辑提示。SVGEditBench V2 的提出对相关领域产生了重要影响，促进了文本到矢量图形编辑的研究，并为评估和改进 SVG 编辑方法提供了宝贵资源。

当前挑战

SVGEditBench V2 面临的挑战主要包括：1) SVG 编辑任务的挑战，即如何生成符合提示的、高质量的 SVG 图像；2) 构建过程中的挑战，包括如何选择合适的原始图像和编辑后的图像，如何生成准确的编辑提示，以及如何评估编辑结果等。此外，SVGEditBench V2 还面临着一些技术挑战，例如如何有效地处理 <path> 元素，如何提高模型生成 SVG 代码的准确性和鲁棒性，以及如何更好地利用模型的语言理解和视觉能力进行 SVG 编辑等。

常用场景

经典使用场景

SVGEditBench V2 是一个用于评估基于指令的 SVG 编辑方法的基准数据集，包含了 1,683 个三元组，每个三元组包括原始 SVG 图像、编辑后的真实图像和编辑文本提示。这个数据集主要用于训练和评估 LLMs 和 LMMs 在 SVG 编辑方面的能力。例如，研究人员可以使用这个数据集来训练一个模型，使其能够根据文本指令编辑 SVG 图像，例如改变颜色、添加或删除元素等。此外，这个数据集也可以用于评估现有 LLMs 和 LMMs 在 SVG 编辑方面的性能，例如比较不同模型在相同任务上的表现。

解决学术问题

SVGEditBench V2 解决了 SVG 编辑领域中缺乏统一基准和数据集的问题。在此之前，虽然有一些研究尝试生成或编辑矢量图形，但由于缺乏数据集和基准，这方面的研究相对较少。SVGEditBench V2 提供了一个统一的数据集，使得研究人员可以更方便地训练和评估 SVG 编辑模型。此外，SVGEditBench V2 还提供了更广泛的复杂编辑任务，例如基于对象名称的编辑任务，这要求编辑模型具有语义理解的能力。

衍生相关工作

SVGEditBench V2 衍生了相关经典工作，例如 SVGEditBench。SVGEditBench 是一个用于评估 LLMs 在 SVG 编辑方面的能力的基准数据集，但与 SVGEditBench V2 相比，SVGEditBench 提供的任务范围更有限，只包括六个预定义的简单任务。SVGEditBench V2 提供了更广泛的复杂编辑任务，例如基于对象名称的编辑任务，这要求编辑模型具有语义理解的能力。此外，SVGEditBench V2 还提供了更全面的评估指标，包括像素值、语义和几何方面的指标，从而更全面地评估 SVG 编辑模型的性能。