VectorArk：基于圆角多边形表示学习实用图像矢量化

基于摘要分析。VectorArk 面向真实场景中的图像矢量化，针对现有视觉语言模型（VLM）方法在合成基准上表现良好、却难以适应未知栅格化方式或文生图模型生成图像的问题，提出圆角多边形表示与退化模型，以简化学习并提高对不完美输入的鲁棒性。 核心机制是以圆角多边形表示矢量图元，使输出能够自然呈现平滑轮廓；退化模型则用于增强模型对不同输入质量与生成过程的适应能力。摘要未说明表示的具体参数化方式、退化操作、VLM 架构、监督形式、损失函数及训练规模，这些实现条件尚未验证。 作者报告，在多个数据集的图像矢量化实验中，VectorArk 相比既有方法具有更好的几何完整性与伪影抑制表现，并报告通过全面消融验证各组件的贡献。但材料未给出数据集名称、划分、对照方法、指标定义或具体数值，因此目前无法判断增益幅度及不同输入条件下的稳定性；实验协议、消融细节及统计信息尚未验证。 本研究的主要对象是图像到矢量图元的转换，并非神经信号表征或 BCI 解码。摘要未提供圆角多边形表示与 EEG 瓶颈之间的具体机制对应，因此不据此推导 EEG/BCI 效果，也不提出迁移实验方案；相关 EEG 工作尚未检索确认。