Tag · 8 篇

代码生成

分布视觉语言模型5生成模型与扩散1数据集与评测13D 视觉与重建1

Vector Prism: Animating Vector Graphics by Stratifying Semantic Structure

把 SVG 中碎片化的低层图元通过多次弱预测的统计聚合恢复成语义部件组，为 VLM 提供结构化输入，这一「先恢复语义结构再交给 VLM 生成」的范式可迁移到其他需要 VLM 操作结构化图形/代码的视觉任务。

Paper2Figure: A Multi-Agent Collaborative System for Figure Generation Towards Academic Research Paper

把「图」表示为可编辑的中间脚本语言（FigScript），再由渲染器出图、由多智能体迭代修订——这套「脚本中间表示 + 渲染 + 反思式修订」的范式可直接迁移到视觉领域的示意图/流程图/架构图生成与可控编辑，也提示了用结构化中间表示替代像素级扩散生成来获得可编辑性的思路。

NERFIFY: A Multi-Agent Framework for Turning NeRF Papers into Code

为NeRF论文提供自动代码复现框架，通过CFG约束LLM生成、图思维链多文件合成和视觉反馈迭代，可加速视觉研究中的可复现性验证与基线构建。

MM-ReCoder: Advancing Chart-to-Code Generation with Reinforcement Learning and Self-Correction

把可执行环境的反馈作为奖励信号，用两阶段多轮 GRPO 训练 MLLM 自我纠错，这一范式可直接迁移到视觉到代码类任务（如 UI 到代码、图表理解、视觉程序合成），也为视觉语言模型引入执行级验证提供了可复用训练流程。

LAM: Language Articulated Object Modelers

把铰接物体的几何与关节结构统一表示为可编译、可自纠错的过程化代码，为视觉研究者提供了一条无需视觉先验或预置 3D 资产、由 LLM/VLM 协作直接产出带关节层级 3D 模型的路径，可作为 3D 生成与具身仿真中资产构建的新范式。

GeoTikzBridge: Advancing Multimodal Code Generation for Geometric Perception and Reasoning

通过生成 TikZ 代码作为中间表示来增强 MLLM 的细粒度几何感知，这种「代码即表示」的思路可迁移到需要精确几何输出的视觉任务（如场景图生成、CAD 重建），也可作为即插即用的推理模块提升几何问题求解。

CodePercept: Code-Grounded Visual STEM Perception for MLLMs

将可执行代码作为视觉感知的监督信号，通过图像到代码的生成任务迫使模型进行精确的视觉理解，为评估和增强多模态大模型的细粒度感知能力提供了新范式。

CodeDance: A Dynamic Tool-integrated MLLM for Executable Visual Reasoning

将可执行代码作为视觉推理的通用求解器，通过动态组合工具（如检测、绘图）并渲染中间视觉产物，实现透明、可自检的推理过程；其强化学习训练中涌现的工具组合与跨任务迁移能力，为视觉语言模型的可解释推理与工具增强提供了新范式。