在 Blender 中思考：基于视觉语言模型的分阶段可执行逆图形学

逆图形学旨在将图像重建为可编辑的 3D 场景，长期面临约束不足的挑战。本文研究预训练视觉语言模型能否直接从单张图像执行可执行逆图形学，生成可编辑的 Blender 程序，无需依赖专用 2D/3D 基础模型或微分渲染。我们提出了分阶段可执行逆图形学（SEIG）代理框架，通过在可执行的 Blender 代码空间中逐步细化几何、材质、构图和光照等场景因素来重建 3D 场景。实验表明，分阶段重建显著提升了 fidelity，凸显了任务分解在通用视觉语言模型执行可执行逆图形学中的重要性。