LayerCanvas：保留矢量文字的分层扩散

基于摘要分析。该研究面向 AI 学习助手的信息图生成，试图同时满足视觉丰富性、准确排版、结构化布局与持续可编辑性。LayerCanvas 保留 SVG 作为语义、结构和排版的描述程序，仅以扩散模型增强非文本内容的视觉表现，避免将全部内容一次性压平成栅格图像。 核心机制是将 SVG 元素划分为按 z 顺序排列的集合，每个集合内部的元素互不重叠，再通过相互通信的并行 RGB 生成流处理这些集合。输出图层可独立编辑，并以确定性方式重新合成；文字则依据保留的矢量元数据渲染。摘要未说明集合划分算法、生成流之间的通信方式、训练目标或推理成本，这些实现细节尚未验证。 论文所针对的表示冲突是：SVG 能保存几何、层级和文字，但视觉表现灵活性有限；栅格扩散能生成更丰富的外观，却将内容与布局压平。作者指出，即使以栅格化 SVG 为条件，元素归属、遮挡关系及后续重组所需的结构仍会丢失。LayerCanvas 的主要区别因此在于保留结构化图层与矢量文字，而不只是提供布局条件。 作者报告，相较于其评估中的先进栅格图像生成器，LayerCanvas 显著改善文字保真度，并取得最高的整体美学质量；作者还展示了非破坏性内容编辑、本地化、素材复用与动画。摘要未提供数据集、对照模型名称、指标定义、评分方式或数值，相关结论的适用范围以及实验协议、消融和统计信息尚未验证。 该研究的主要对象是教育信息图生成，而非 EEG 解码或 BCI 算法；现有材料未建立与神经信号处理瓶颈的具体机制对应，因此不据此推断 BCI 有效性或提出迁移实验。复现需进一步核对 SVG 输入约束、图层集合构建、扩散模型及训练配置、合成与编辑实现，以及代码和模型权重的可用性。