视觉、语言与数学的桥梁：基于贝塞尔曲线的象形字符重建
机器学习
2025-11-04 v1
摘要
虽然视觉语言模型（VLM）在语义能力方面表现出色，但其解释视觉信息底层几何结构的能力尚未得到充分探索。象形字符将视觉形式与符号结构相结合，为此项能力提供了理想测试场景。我们将此视觉识别挑战形式化为数学领域任务， wherein each character is represented by an executable program of geometric primitives。这一任务被建模为程序综合问题，训练VLM将raster图像分解为由贝塞尔曲线组成的程序。我们的模型作为"视觉分解器"，在强大的零样基线（包括GPT-4o）之上表现出色。最重要的发现是，该模型仅在现代汉字上训练，即可在零样情境下重建古代甲骨文。这种泛化能力提供了强有力的证据，表明模型获取了抽象且可迁移的几何语法，超越了基于像素的模式识别，走向更结构化的视觉理解之路。
引用
@article{arxiv.2511.00076,
title = {Bridging Vision, Language, and Mathematics: Pictographic Character Reconstruction with B\'ezier Curves},
author = {Zihao Wan and Pau Tong Lin Xu and Fuwen Luo and Ziyue Wang and Peng Li and Yang Liu},
journal= {arXiv preprint arXiv:2511.00076},
year = {2025}
}