이미지-to-SVG (Image-to-SVG) 재구성은 래스터 (raster) 입력에 충실하면서도 편집하기 쉬운 벡터 그래픽을 생성하는 것을 목표로 합니다. 기존 방법들은 이미지를 표현하는 경로 (path)의 수와 각 경로를 정의하는 앵커 포인트 (anchor point)의 수 등, 벡터 구조를 매개변수화 (parameterized)하는 방식에서 구조적 트레이드오프 (trade-off) 문제에 직면해 있습니다. 고충실도 (High-fidelity) 방법들은 종종 많은 경로 또는 밀도 높게 매개변수화된 곡선에 의존하는 반면, 지나치게 압축된 SVG 생성은 입력 기하학적 구조 (geometry)에서 벗어날 수 있습니다. 이러한 문제는 국부적인 래스터 증거 (local raster evidence)가 불완전할 때 더욱 두드러지며, 경계를 따라가는 재구성 방식은 불필요한 앵커와 파편화된 구조를 유발할 수 있습니다. 우리는 베지에 곡선 (Bezier curves) 위의 앵커가 국부적인 경로 구조를 정의하고 정확도와 편집 가능성 (editability) 모두에 강력한 영향을 미치기 때문에, 이 트레이드오프가 앵커 배치 (anchor placement) 수준에서 해결되어야 한다고 주장합니다. 우리는 희소 앵커 포인트 필드 (sparse anchor point fields)를 통해 경로 수준의 앵커 배치를 모델링하는 편집 가능한 SVG 재구성 프레임워크인 AnchorFlow를 제안합니다. 래스터 이미지에서 추출된 경로 형태의 전경 구성 요소 (foreground components)가 주어지면, AnchorFlow는 각 구성 요소에 대해 이미지 조건부 희소 앵커 필드 (image-conditioned sparse anchor field)를 예측하고 이를 순서가 있는 베지에 경로 (Bezier path)로 해상 (resolve)합니다. 이후 렌더링 가이드 피드백 (Rendering-guided feedback)을 통해 재해상 (re-resolution) 전의 국부적인 구조적 오류를 수정합니다. 복구된 경로들은 최종 SVG로 조립 및 최적화됩니다. 개별 경로 및 전체 이미지에 대한 실험을 통해 AnchorFlow가 경쟁력 있는 래스터 충실도를 유지하면서도 편집 가능한 복잡성 (editable complexity)을 실질적으로 줄여, 유리한 충실도-편집 가능성 트레이드오프를 달성함을 보여줍니다.