論文の概要: Modular Layout Synthesis (MLS): Front-end Code via Structure Normalization and Constrained Generation
- arxiv url: http://arxiv.org/abs/2512.18996v1
- Date: Mon, 22 Dec 2025 03:24:11 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-12-23 18:54:32.60314
- Title: Modular Layout Synthesis (MLS): Front-end Code via Structure Normalization and Constrained Generation
- Title（参考訳）: モジュールレイアウト合成(MLS):構造正規化と制約生成によるフロントエンドコード
- Authors: Chong Liu, Ming Zhang, Fei Li, Hao Zhou, Xiaoshuang Chen, Ye Yuan,
- Abstract要約: フロントエンドエンジニアリングの自動化は、開発サイクルを大幅に削減し、手動によるコーディングオーバーヘッドを最小化する。
現在のソリューションは、ReactやVue、Angularといった現代的なエコシステムをサポートしない、モノリシックなスクリプトを生成することが多い。
本稿では,視覚的理解と構造正規化を融合した階層型フレームワークであるMLSを紹介する。
MLSは既存のベースラインを大幅に上回り、コードの再利用性と複数のフレームワーク間の構造的整合性を確保する。
- 参考スコア（独自算出の注目度）: 18.154715745625328
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Automated front-end engineering drastically reduces development cycles and minimizes manual coding overhead. While Generative AI has shown promise in translating designs to code, current solutions often produce monolithic scripts, failing to natively support modern ecosystems like React, Vue, or Angular. Furthermore, the generated code frequently suffers from poor modularity, making it difficult to maintain. To bridge this gap, we introduce Modular Layout Synthesis (MLS), a hierarchical framework that merges visual understanding with structural normalization. Initially, a visual-semantic encoder maps the screen capture into a serialized tree topology, capturing the essential layout hierarchy. Instead of simple parsing, we apply heuristic deduplication and pattern recognition to isolate reusable blocks, creating a framework-agnostic schema. Finally, a constraint-based generation protocol guides the LLM to synthesize production-ready code with strict typing and component props. Evaluations show that MLS significantly outperforms existing baselines, ensuring superior code reusability and structural integrity across multiple frameworks
- Abstract（参考訳）: フロントエンドエンジニアリングの自動化は、開発サイクルを大幅に削減し、手動によるコーディングオーバーヘッドを最小化する。
Generative AIは設計をコードに変換することを約束しているが、現在のソリューションはしばしばモノリシックなスクリプトを生成し、ReactやVue、Angularといったモダンなエコシステムをネイティブにサポートしていない。
さらに、生成されたコードはモジュール化の貧弱さに悩まされ、メンテナンスが困難になります。
このギャップを埋めるために、構造正規化と視覚的理解を融合させる階層型フレームワークであるMLS(Modular Layout Synthesis)を導入する。
当初、ビジュアル・セマンティック・エンコーダは、画面キャプチャをシリアライズされたツリートポロジーにマッピングし、重要なレイアウト階層をキャプチャする。
単純な解析の代わりに、再利用可能なブロックを分離するためにヒューリスティックな重複とパターン認識を適用し、フレームワークに依存しないスキーマを作成する。
最後に、制約ベースの生成プロトコルはLLMをガイドし、厳密なタイピングとコンポーネントプロップでプロダクション対応のコードを合成する。
評価によると、MLSは既存のベースラインを著しく上回り、コードの再利用性と複数のフレームワーク間の構造的整合性を確保する。
関連論文リスト
- Theory of Code Space: Do Code Agents Understand Software Architecture? [0.0]
Theory of Code Space (ToCS) は、コヒーレントなアーキテクチャの信念を構築し、維持し、更新する能力を評価するベンチマークである。
ToCSはモジュール依存の上に構造化された信念状態を構築するためにエージェントを必要とする。
事前アーキテクチャ制約発見(Preliminary Architectural Constraint Discovery)は、コード固有の評価である。
論文 参考訳（メタデータ） (2026-02-28T11:40:17Z) - AnCoder: Anchored Code Generation via Discrete Diffusion Models [36.226700922319075]
拡散言語モデルは、自動回帰コード生成の魅力的な代替手段を提供する。
AnchorTreeは、コードにネイティブな構造化された階層的な事前処理を使って拡散プロセスをアンロックするフレームワークです。
構造的に固定された拡散が高品質なコード生成にパラメータ効率の高いパスを提供することを示すモデルのファミリであるAnCoderを使って、このフレームワークを検証する。
論文 参考訳（メタデータ） (2026-02-05T22:46:43Z) - VSA:Visual-Structural Alignment for UI-to-Code [29.15071743239679]
視覚テキストアライメントにより組織化された資産を合成するための多段階パラダイムであるbfVSA(VSA)を提案する。
私たちのフレームワークは、最先端のベンチマークよりもコードのモジュール化とアーキテクチャの一貫性を大幅に改善します。
論文 参考訳（メタデータ） (2025-12-23T03:55:45Z) - What You See Is What It Does: A Structural Pattern for Legible Software [0.29434930072968585]
今日のソフトウェアはしばしば"不可能"であり、コードと観察された振る舞いの直接的な対応が欠如している。
新しい構造パターンは、ポータビリティとモジュラリティを改善した。
同期のためのドメイン固有の言語は、振る舞いの特徴を粒度で宣言的な方法で表現することができる。
論文 参考訳（メタデータ） (2025-08-20T08:03:00Z) - Data Dependency-Aware Code Generation from Enhanced UML Sequence Diagrams [54.528185120850274]
本稿では,API2Depという新しいステップバイステップコード生成フレームワークを提案する。
まず、サービス指向アーキテクチャに適した拡張Unified Modeling Language (UML) APIダイアグラムを紹介します。
次に、データフローの重要な役割を認識し、専用のデータ依存推論タスクを導入する。
論文 参考訳（メタデータ） (2025-08-05T12:28:23Z) - ScreenCoder: Advancing Visual-to-Code Generation for Front-End Automation via Modular Multimodal Agents [40.697759330690815]
ScreenCoderはモジュール型のマルチエージェントフレームワークで、タスクを3つの解釈可能なステージ(グラウンド、プランニング、生成)に分解する。
特殊エージェントにこれらの異なる責任を割り当てることで、我々のフレームワークはエンド・ツー・エンドのアプローチよりもはるかに高い堅牢性と忠実性を達成する。
提案手法は, レイアウト精度, 構造コヒーレンス, コード正確性において, 最先端の性能を実現する。
論文 参考訳（メタデータ） (2025-07-30T16:41:21Z) - WGRAMMAR: Leverage Prior Knowledge to Accelerate Structured Decoding [58.1177179119881]
我々は、ドメイン認識の単純化、制約分解、マスクキャッシングを統合した軽量デコードエンジンであるwgrammarを紹介する。
wgrammarは、既存のシステムよりも最大250倍のスピードアップを実現します。
論文 参考訳（メタデータ） (2025-07-22T17:13:47Z) - Type-Constrained Code Generation with Language Models [51.03439021895432]
本稿では,型システムを利用してコード生成を誘導する型制約デコード手法を提案する。
そこで本研究では,新しい接頭辞オートマトンと,在来型を探索する手法を開発し,LLM生成コードに適切な型付けを強制するための健全なアプローチを構築した。
提案手法は,コード合成,翻訳,修復作業において,コンパイルエラーを半分以上削減し,機能的正しさを著しく向上させる。
論文 参考訳（メタデータ） (2025-04-12T15:03:00Z) - HiVeGen -- Hierarchical LLM-based Verilog Generation for Scalable Chip Design [24.46771930751068]
HiVeGenは階層的なVerilog生成フレームワークで、生成タスクを階層的なサブモジュールに分解する。
自動設計空間探索(DSE)を階層対応のプロンプト生成に変換し、コードの再利用を強化するために重みに基づく検索を導入する。
エラー補正コストを低減し、生成した設計の質を大幅に向上させる。
論文 参考訳（メタデータ） (2024-12-06T19:37:53Z) - CodeChain: Towards Modular Code Generation Through Chain of Self-revisions with Representative Sub-modules [51.82044734879657]
我々は,自己修正の連鎖を通じてモジュール化されたコード生成を誘発する,新しい推論フレームワークであるCodeChainを提案する。
CodeChainは、生成したソリューションのモジュール性と正確性の両方を大幅に向上させ、APPSで35%、CodeContestsで76%の相対パス@1の改善を実現しています。
論文 参考訳（メタデータ） (2023-10-13T10:17:48Z) - Outline, Then Details: Syntactically Guided Coarse-To-Fine Code
Generation [61.50286000143233]
ChainCoderは、Pythonコードを段階的に生成するプログラム合成言語モデルである。
自然言語記述と構文的に整合したI/Oデータサンプルを共同で符号化するために、カスタマイズされたトランスフォーマーアーキテクチャを利用する。
論文 参考訳（メタデータ） (2023-04-28T01:47:09Z) - Contrastive Learning for Source Code with Structural and Functional
Properties [66.10710134948478]
本稿では,ソースコードの特徴に基づいて事前学習に焦点を当てた,新たな自己教師型モデルBOOSTを提案する。
私たちは、機能的に等価なコードを生成する自動化された構造誘導型コード変換アルゴリズムを採用しています。
私たちは、対照的な学習目標を通じて、機能的に等価なコードをより近く、異なるコードに近づける方法で、モデルをトレーニングします。
論文 参考訳（メタデータ） (2021-10-08T02:56:43Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。