GenClaw: Code-Driven Agentic Image Generation
GenClaw：代码驱动的Agent式图像生成
🧭 Agent · 代码中介的可控图像生成 ★ 深度解读
Tencent Hunyuan · Sun Yat-sen University · Tsinghua University · The Chinese University of Hong Kong
提出代码驱动的Agent式图像生成范式，通过构思→草图→上色三层解耦，用可执行代码作为中间画布，大幅提升空间可控性与可解释性。
📌 工作参考价值（4 点）
- 代码驱动布局可迁移至商品图模板生成：电商场景中需要精确控制多个商品的位置、数量、文字信息（如促销标签），借鉴GenClaw用SVG/HTML构建结构化草图再渲染的思路，可将布局规划与纹理生成解耦，减少对象计数错误与属性绑定失败。
- 分层编辑机制降低局部修改对非目标区域的破坏：当需要修改主图中某一元素（如替换商品、移动logo）时，利用SAM分割后组织为JSONL图层，仅对目标层做编辑，可显著提升编辑一致性（文中PSNR从20以下提升到27.87），这对电商主图的迭代优化很有价值。
- 搜索增强认知层可弥补模型知识滞后：在生成含有最新赛事、节气、明星同款等时效性信息的商品图时，Agent主动搜索并结构化事实再写入代码画布，避免直接让生成模型凭空想象，提升文案准确性和知识可信度。
- 代码中介的物理/几何推理可用于商品场景模拟：当需要生成商品在特定环境下的摆放效果（如光照反射、堆叠结构）时，先通过Three.js等构建物理/几何草图作为约束，再交给渲染模型，能提升复杂空间关系的生成稳定性。