TransAnyText：通过结构化视觉生成翻译电子商务图像中的任意文本

跨境电商图片翻译对于全球零售至关重要，产品图片、横幅和详情页需要用不同语言制作。现有的方法很难同时实现准确的翻译、忠实的视觉身份保留和易于编辑的输出。为了应对这些挑战，我们引入了 TransAnyText，这是一个结构化可视化代码框架，它将图像文本翻译重新定义为从源图像和目标语言生成可渲染的 HTML 补丁。我们的框架将语义生成与像素渲染分离：视觉语言模型（VLM）处理视觉理解、跨语言翻译和结构化视觉生成，而扩散模型执行背景修复和像素级细化，然后进行确定性渲染以合成最终图像。基于这个公式，我们开发了一个三阶段的 后训练 框架，其中监督 微调 (SFT) 建立了图像到代码的映射，特权间隙加权自 蒸馏 (PWSD) 改进了样式和布局标记的学习，具有可验证奖励的强化学习 (RLVR) 进一步优化了任务级性能。我们进一步介绍 TransAnyDataset 和 TransAnyBench，这是一个电子商务图像翻译的多语言数据集和基准。大量的实验证明了与级联管道、开源端到端模型和闭源图像编辑系统的竞争性能，为跨境电商图像翻译提供了有效、可控、可编辑的解决方案。