論文の概要: EvoDiagram: Agentic Editable Diagram Creation via Design Expertise Evolution

• arxiv url: http://arxiv.org/abs/2604.09568v1
• Date: Fri, 20 Feb 2026 11:11:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-19 19:09:11.505757
• Title: EvoDiagram: Agentic Editable Diagram Creation via Design Expertise Evolution
• Title（参考訳）: EvoDiagram:デザインエキスパート進化によるエージェント編集可能なダイアグラム作成
• Authors: Tianfu Wang, Leilei Ding, Ziyang Tao, Yi Zhan, Zhiyuan Ma, Wei Wu, Yuxuan Lei, Yuan Feng, Junyang Wang, Yin Wu, Yizhao Xu, Hongyuan Zhu, Qi Liu, Nicholas Jing Yuan, Yanyong Zhang, Hui Xiong,
• Abstract要約: EvoDiagramは中間キャンバススキーマを通じてオブジェクトレベルの編集可能なダイアグラムを生成するエージェントフレームワークである。 EvoDiagramは、セマンティックインテントをレンダリングロジックから切り離すために、コーディネートされたマルチエージェントシステムを使用している。 さらにcanvasベースのダイアグラムのためのデータとメトリクスからなるベンチマークであるCanvasBenchをリリースしています。
• 参考スコア（独自算出の注目度）: 46.35311453619801
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: High-fidelity diagram creation requires the complex orchestration of semantic topology, visual styling, and spatial layout, posing a significant challenge for automated systems. Existing methods also suffer from a representation gap: pixel-based models often lack precise control, while code-based synthesis limits intuitive flexibility. To bridge this gap, we introduce EvoDiagram, an agentic framework that generates object-level editable diagrams via an intermediate canvas schema. EvoDiagram employs a coordinated multi-agent system to decouple semantic intent from rendering logic, resolving conflicts across heterogeneous design layers. Additionally, we propose a design knowledge evolution mechanism that distills execution traces into a hierarchical memory of domain guidelines, enabling agents to retrieve context-aware expertise adaptively. We further release CanvasBench, a benchmark consisting of both data and metrics for canvas-based diagramming. Extensive experiments demonstrate that EvoDiagram exhibits excellent performance and balance against baselines in generating editable, structurally consistent, and aesthetically coherent diagrams. Our code is available at https://github.com/AuraX-AI/EvoDiagram.
• Abstract（参考訳）: 高忠実度図の作成には、セマンティックトポロジ、ビジュアルスタイリング、空間レイアウトの複雑なオーケストレーションが必要であり、自動化システムにとって大きな課題となっている。 ピクセルベースのモデルは、しばしば正確な制御を欠いているが、コードベースの合成は直感的な柔軟性を制限している。 このギャップを埋めるために、中間キャンバススキーマを介してオブジェクトレベルの編集可能な図を生成するエージェントフレームワークであるEvoDiagramを紹介します。 EvoDiagramは、セマンティックインテントをロジックのレンダリングから切り離し、異種の設計層間の競合を解決するために、コーディネートされたマルチエージェントシステムを使用している。 さらに,ドメインガイドラインの階層的メモリに実行トレースを蒸留する設計知識進化機構を提案し,エージェントがコンテキスト認識の専門知識を適応的に検索できるようにする。 さらにcanvasベースのダイアグラムのためのデータとメトリクスからなるベンチマークであるCanvasBenchをリリースしています。 EvoDiagramは、編集可能で、構造的に整合性があり、審美的に整合性のある図を生成する際に、ベースラインに対して優れた性能とバランスを示すことを示した。 私たちのコードはhttps://github.com/AuraX-AI/EvoDiagram.comで公開されています。

関連論文リスト

• OmniDiagram: Advancing Unified Diagram Code Generation via Visual Interrogation Reward [8.227370271724162]
  ビジュアル・インターロゲーション・エフェクト・オール(textscViva)という新しい視覚フィードバック戦略を導入する。 textscVivaは、生成的アプローチを通じて描画された図形の視覚構造に報酬を与える。 最初の大規模図形コード生成データセットであるM3$2$Diagramを構築した。
  論文  参考訳（メタデータ） (2026-04-07T07:10:24Z)
• Youtu-GraphRAG: Vertically Unified Agents for Graph Retrieval-Augmented Complex Reasoning [32.78218766121055]
  グラフ検索拡張生成(GraphRAG)は,複雑な推論において,大規模言語モデルを効果的に拡張した。 本稿では,フレームワーク全体を複雑な統合として結合する,垂直に統一されたエージェントパラダイムYoutu-GraphRAGを提案する。
  論文  参考訳（メタデータ） (2025-08-27T13:13:20Z)
• SketchAgent: Generating Structured Diagrams from Hand-Drawn Sketches [54.06877048295693]
  SketchAgentは手描きスケッチの構造化図への変換を自動化するシステムである。 SketchAgentは、スケッチ認識、シンボリック推論、反復検証を統合し、セマンティックコヒーレントで構造的に正確な図を生成する。 ダイアグラム生成プロセスの合理化によって、SketchAgentはデザイン、教育、エンジニアリングの分野で大きな可能性を秘めています。
  論文  参考訳（メタデータ） (2025-08-02T07:22:51Z)
• Draw with Thought: Unleashing Multimodal Reasoning for Scientific Diagram Generation [4.246322465055928]
  そこで我々は,MLLMを指導し,図形を編集可能なmxGraph XMLコードに再構成する学習自由フレームワークDaw with Thought (DwT)を提案する。 DwTはモデル微調整なしで解釈可能で制御可能な出力を可能にする。 Plot2XMLは、ゴールドスタンダードのXMLアノテーションを備えた247の現実世界の科学図のベンチマークです。
  論文  参考訳（メタデータ） (2025-04-13T08:22:09Z)
• EvoMesh: Adaptive Physical Simulation with Hierarchical Graph Evolutions [61.89682310797067]
  EvoMeshは、グラフ階層と物理力学を共同で学習する、完全に差別化可能なフレームワークである。 EvoMeshは、最近の固定階層メッセージパッシングネットワークよりも大きなマージンで優れていることを示す。
  論文  参考訳（メタデータ） (2024-10-03T15:18:00Z)
• T-GAE: Transferable Graph Autoencoder for Network Alignment [79.89704126746204]
  T-GAEはグラフオートエンコーダフレームワークで、GNNの転送性と安定性を活用して、再トレーニングなしに効率的なネットワークアライメントを実現する。 実験の結果、T-GAEは最先端の最適化手法と最高のGNN手法を最大38.7%、50.8%で上回っていることがわかった。
  論文  参考訳（メタデータ） (2023-10-05T02:58:29Z)

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。