그래픽 디자인 편집은 엄격한 디자인 제약 조건 하에서 타이포그래피(Typography), 레이아웃(Layout), 시각적 계층 구조(Visual Hierarchy)의 정밀한 조작을 요구합니다. 거대 언어 모델(Large Language Models, LLM)의 등장 이후, 기업들은 생산성을 높이기 위해 시각-언어 모델(Vision-Language Models, VLM)을 점점 더 많이 도입하고 있습니다. 그러나 현재의 모델들은 픽셀(Pixel) 단위로 작동하며 구조화된 디자인 편집에서 제약 조건 준수율이 52%에 불과하여, 전문적인 워크플로에서의 신뢰성이 제한적입니다. 우리는 디자인 편집을 픽셀 생성(Pixel Generation)이 아닌 파라미터 조작(Parameter Manipulation)으로 재정의하는 파이프라인인 StructuredEdit를 제시합니다. 우리의 핵심 기술적 기여는 미분 가능한 파라미터 전파(Differentiable Parameter Propagation, DPP)로, 이는 경량화된 미분 가능한 래스터라이저(Differentiable Rasterizer)를 통해 픽셀 수준의 제약 조건 위반을 역전파(Backpropagating)함으로써 시각-언어 모델의 미세 조정(Fine-tuning) 단계에 엄격한 디자인 제약 조건을 내장하는 학습 방법입니다. 후보 생성 및 필터링(Candidate-and-filter) 하이브리드 파이프라인을 통해 125k개의 검증된 편집 삼중항(Edit Triplets)을 생성했습니다. 결과적으로 이 시스템은 GPT-4V의 52% 대비 89%의 제약 조건 준수율을 달성하였으며, 0.82의 일치 요소 IoU(Intersection over Union), 그리고 가장 빈번하게 사용되는 100개의 디자인 서체에 대해 76%의 Top-1 폰트 정확도를 기록했습니다. 사용자 연구(N=35) 결과, GPT-4V 베이스라인 대비 편집 시간은 33% 감소하였고 수정 반복 횟수는 44% 감소했습니다.