編集可能なビジュアルデザイン

要旨

GPT-Image-2やNano-Bananaのような拡散ベースモデルは、際立った視覚表現力を示す一方で、そのエンドツーエンド生成は本質的に、誤りを含みやすいテキストを伴う平坦化されたビットマップを生成し、レイヤー単位での後編集を妨げる。対照的に、コーディングエージェントによるコードベースの視覚生成は、精密なレイアウト制御と分離されたレイヤーを提供するが、全体的な美的直感の欠如や、複雑なビジュアルアセットをコード化することの難しさによって制約を受けたままである。この課題に対処するため、我々はコーディングエージェントによって駆動される新しいパラダイム、Editable Visual Designを提案する。VLMを要求理解・タスク計画・美的判断のための「クリエイティブブレイン」と位置づけ、一方で画像生成モデルをオンデマンドの「視覚世界シミュレータ」として活用し、独立したビジュアルアセットを合成させる。エージェントは「まず想像し、その後行動する」というクローズドループのワークフローの下で、単体のアセットを生成し、ネイティブなHTML/CSSを記述し、視覚的なレンダリングフィードバックに照らしてデザインを反復的に改善する。さらに、Agent Design Replayは、プロフェッショナルな人間デザイナーのそれに類似した創造的・推論的軌跡を忠実に再現する。最終的に、本システムは分離されたレイヤーと実テキストを備えた編集可能なアーティファクトを提供し、ユーザーはグラフィカルユーザインターフェース上で直感的なマウスドラッグやレイアウト調整を行うことができる。ポスター、インフォグラフィック、その他のシナリオにおける検証により、本パラダイムが洗練された美的品質と本番品質の編集可能性の両方を達成できることが示された。

English

While diffusion base models such as GPT-Image-2 and Nano-Banana exhibit remarkable visual expressiveness, their end-to-end generation inherently yields flattened bitmaps with error-prone text, precluding layer-wise post-editing. Conversely, code-based visual generation via Coding Agents provides precise layout control and decoupled layers, yet remains constrained by a lack of global aesthetic intuition and the difficulty of coding complex visual assets. To address this, we propose Editable Visual Design, a new paradigm driven by a Coding Agent. We designate the VLM as the ``creative brain'' for requirement comprehension, task planning, and aesthetic judgment, while utilizing the image generation model as an on-demand ``visual world simulator'' to synthesize standalone visual assets. Operating under an ``imagine first, then act'' closed-loop workflow, the agent generates isolated assets, writes native HTML/CSS, and iteratively refines the design against visual rendering feedback. Furthermore, Agent Design Replay faithfully reproduces the creative and reasoning trajectory akin to that of professional human designers. Ultimately, the system delivers editable artifacts with decoupled layers and real text, enabling users to perform intuitive mouse dragging and layout adjustments on a graphical user interface. Validations on posters, infographics, and other scenarios show that this paradigm successfully achieves both refined aesthetics and production-grade editability.