从 AI 位图到可编辑 PPTX / SVG / draw.io:topconf-paper-figure-gallery 第四步重建导出实战

原创2026-10-20 12:21:531,352 阅读
文章标签:前端

从 AI 位图到可编辑 PPTX / SVG / draw.io:topconf-paper-figure-gallery 第四步重建导出实战

topconf-paper-figure-gallery 是一个收录 ICLR、ICML、NeurIPS、CVPR、ACL、AAAI 六大顶会 2023–2026 共 3,516 张论文主图(Figure 1 / Teaser)的画廊项目。内置的 FigureForge 能基于顶会主图的版式为你生成论文主图;第四步 再把 AI 生成的位图逐元素重建,一键导出 PPTX / SVG / VSDX / draw.io 四种可编辑格式,真正做到"生成图还能直接改"。

顶会论文主图画廊:ICLR、ICML、NeurIPS、CVPR、ACL、AAAI 2023-2026 共 3516 张 Figure 1 收录

为什么需要"第四步":AI 位图的编辑难题

FigureForge 走的是检索增强路线:先描述论文,再从画廊中检索参考主图归纳版式,然后才生成。这样初稿能保留论文主图的面板网格、对比叙事和克制配色,与通用文生图有显著差别:

FigureForge 与通用文生图效果对比:带顶会主图版式参考的主图 vs 仅给 prompt 的通用输出

但第三步位图模式交付的仍然是一张图——不能直接选中某个文字框、挪动某条箭头、替换某张照片。第四步(重建导出)正是解决这一步:视觉模型把位图逐区域读回,将文字、容器、连线、箭头、图标、图表、照片区域拆成独立节点,形成可渲染的场景 JSON,再从中同一份场景输出 SVG、PPTX、VSDX、draw.io 四种格式。

整个过程在浏览器本地运行,无需注册和服务器;API Key 只在浏览器请求时使用,站点不内置、提交或转存密钥。机制细节见 forge/EDITABLE_EXPORT.md。

走到第四步的三步:实战流程

FigureForge 完整流程演示:输入论文、勾选参考图、生成位图初稿、重建可编辑导出

1. 输入论文、选模式

粘贴标题和摘要,或上传 PDF(模型直接阅读,按概览、架构、流程、结果总结相关章节),也可以只写一句话讲清「输入 → 方法 → 输出」。视觉模式可选:framework(系统/多智能体总览)、pipeline(端到端流程)、architecture(模型内部结构)、conceptual(视觉隐喻),另有 teaser、taxonomy。

2. 勾选参考主图

CLIP + BM25 混合检索对全量 3,452 张图打分,卡片上直接显示相关度评分。两阶段模式勾选至少 4 张同类型图(最多 10 张,越接近 10 张版式参考越充分);直接模式勾 2–4 张即可。

FigureForge 参考主图挑选界面:勾选相似顶会论文主图并显示相关度评分

3. 两阶段归纳,生成位图

视觉模型先读参考图,归纳共同的布局、元素、配色与层级,挑出代表图,再执行生成。位图出来后既可立即下载,也可点击"重建为可编辑内容"进入第四步。

FigureForge 两阶段归纳界面:先归纳参考图版式共性,再生成主图初稿

第四步重建位图为可编辑对象的机制

点击"重建为可编辑内容"后,页面在浏览器内依次执行:

  1. 分区切图:planReconstructionTiles() 将位图切成目标约 900 px、边缘重叠 28 px 的小区域,控制单次视觉请求的输出长度;超时区域会细分后继续重建,而不是整块失败;
  2. 逐元素识别:每个区域裁片发给第一步配置好的视觉理解模型(可能与生图模型不同),要求文字、容器、连线、箭头、图标、图表、照片区域各自成独立节点,返回像素坐标、颜色与文字;
  3. 过滤与合并:过滤视觉模型在裁片角点虚构的"长线"伪影,把坐标平移回原图,用中心点归属去除重叠区域的重复对象;
  4. 质量检查:auditReconScene() 拒绝"用整页图片冒充可编辑图"(例如单张位图超过画布 55% 直接判失败),并把重建结果与原图逐像素比对;未达标时页面标注"需检查",重建失败则第四步保持禁用,绝不把原位图当作可编辑结果交付。

下图是某张主图元素级重建场景的实拍:所有文字框、形状、箭头和照片裁片都被拆成了可独立编辑的对象,并标注了坐标:

第四步元素级重建场景:论文主图的文字、形状、箭头与照片区域被拆成可独立编辑对象

核心逻辑位于 forge/reconstruction-core.mjs;场景结构可参考桌面端人工校准的示例 forge/examples/cdta-precise-scene.json(含 287 个对象、46 个文字框、17 个照片裁片)。

四种导出格式怎么用:PPTX、SVG、VSDX、draw.io

重建成功后,先选字体(默认 original,也支持微软雅黑、宋体、Times New Roman、Arial 等),再选格式并"确认设置并导出":

格式 产物 适用场景
PPTX DrawingML 原生形状 + 文字(OOXML ZIP) 用 PowerPoint 直接打开编辑,答辩 PPT、组会汇报
SVG 逐对象矢量图形 文字精准,Figma / draw.io / Illustrator 二次编辑
VSDX Visio 原生几何 + 文字 + 独立照片 流程图、系统架构图维护
draw.io 独立 mxCell 单元 浏览器拖拽编辑、团队协作

四种格式由同一份场景 JSON 渲染:forge/editable-native.mjs 通过标准浏览器 API 直接生成 OOXML ZIP 包,浏览器中即可下载,切换格式不会再次调用模型。下面这张可编辑导出的主图,文字、箭头、图表、照片区域均可单独修改:

可编辑论文主图导出结果:机器人多模态学习框架图,文字与形状均可单独编辑

下图是 FigureForge 的实际生成主图示例(层级工作记忆主题),位图模式生成后即可进入重建导出流程:

FigureForge 实际生成的论文主图:大语言模型工作记忆长程推理版式

⚠️ 边界认知:重建流程保证"按对象编辑、禁止整页位图伪装",但不保证任意输入像素级一致——照片仍是独立位图,跨区域的大对象需人工核对,文字与数字提交前务必复核。验证记录见 forge/RECONSTRUCTION-VALIDATION.md。

本地快速开始与自检

git clone https://gitcode.com/gh_mirrors/to/topconf-paper-figure-gallery
cd topconf-paper-figure-gallery
python -m http.server 8000

打开 http://localhost:8000/forge/index.html 即可使用四步流程:CLIP 模型和画廊索引随仓库本地打包,全程无需联网。图片版权归原作者所有,教育用途与下架政策见 IMAGES_POLICY.md。想验证重建与导出逻辑,可运行仓库自带脚本:

node forge/test-reconstruction-core.mjs   # 分区覆盖、重叠去重、角点伪影过滤
node forge/test-editable-export.mjs      # 四格式可编辑导出回归

总结

  • 画廊:3,516 张顶会主图,按会议、年份、录取等级(Oral / Spotlight / Best 金、银、红角标)、视觉模式筛选,作为版式参考;
  • FigureForge:描述论文 → 勾选参考图 → 两阶段归纳 → 生成主图,浏览器本地运行、自带 Key;
  • 第四步重建导出:视觉模型逐区域读回位图 → 场景 JSON → 一键导出 PPTX / SVG / VSDX / draw.io,完成"AI 位图 → 可编辑图"的闭环。

数据管线方法论详见 docs/METHODOLOGY.md,项目说明见 README.md。

登录后查看全文
topconf-paper-figure-gallery