Buchumschlag

Reverse Browser: Vector-Image-to-Code Generator

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
1. Verfasser:	Toth-Czifra, Zoltan
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Software Engineering Artificial Intelligence
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

LLMs in Web Development: Evaluating LLM-Generated PHP Code Unveiling Vulnerabilities and Limitations
von: Tóth, Rebeka, et al.
Veröffentlicht: (2024)

asanAI: In-Browser, No-Code, Offline-First Machine Learning Toolkit
von: Koch, Norman, et al.
Veröffentlicht: (2025)

ASSURE: Metamorphic Testing for AI-powered Browser Extensions
von: Gao, Xuanqi, et al.
Veröffentlicht: (2025)

Bridging LLM-Generated Code and Requirements: Reverse Generation technique and SBC Metric for Developer Insights
von: Ponnusamy, Ahilan Ayyachamy Nadar
Veröffentlicht: (2025)

HTMLCure: Turning Browser Experience into State Guided Repair for Interactive HTML
von: Wu, Jiajun, et al.
Veröffentlicht: (2026)

Generating Software Architecture Description from Source Code using Reverse Engineering and Large Language Model
von: Hatahet, Ahmad, et al.
Veröffentlicht: (2025)

Reverse Engineering User Stories from Code using Large Language Models
von: Ouf, Mohamed, et al.
Veröffentlicht: (2025)

AI Agent for Reverse-Engineering Legacy Finite-Difference Code and Translating to Devito
von: Hou, Yinghan, et al.
Veröffentlicht: (2026)

The BrowserGym Ecosystem for Web Agent Research
von: De Chezelles, Thibault Le Sellier, et al.
Veröffentlicht: (2024)

BenchBrowser: Retrieving Evidence for Evaluating Benchmark Validity
von: Diddee, Harshita, et al.
Veröffentlicht: (2026)

RedCode: Risky Code Execution and Generation Benchmark for Code Agents
von: Guo, Chengquan, et al.
Veröffentlicht: (2024)

CodeMMR: Bridging Natural Language, Code, and Image for Unified Retrieval
von: Geng, Jiahui, et al.
Veröffentlicht: (2026)

CodeFort: Robust Training for Code Generation Models
von: Zhang, Yuhao, et al.
Veröffentlicht: (2024)

CodeCoT: Tackling Code Syntax Errors in CoT Reasoning for Code Generation
von: Huang, Dong, et al.
Veröffentlicht: (2023)

Evaluating Generative AI for CS1 Code Grading: Direct vs Reverse Methods
von: Memon, Ahmad, et al.
Veröffentlicht: (2025)

Code Copycat Conundrum: Demystifying Repetition in LLM-based Code Generation
von: Liu, Mingwei, et al.
Veröffentlicht: (2025)

CATCODER: Repository-Level Code Generation with Relevant Code and Type Context
von: Pan, Zhiyuan, et al.
Veröffentlicht: (2024)

Uncovering LLM-Generated Code: A Zero-Shot Synthetic Code Detector via Code Rewriting
von: Ye, Tong, et al.
Veröffentlicht: (2024)

Evaluating SAP Joule for Code Generation
von: Heisler, Joshua, et al.
Veröffentlicht: (2025)

Investigating The Smells of LLM Generated Code
von: Paul, Debalina Ghosh, et al.
Veröffentlicht: (2025)

Test-Driven Development for Code Generation
von: Mathews, Noble Saji, et al.
Veröffentlicht: (2024)

SALLM: Security Assessment of Generated Code
von: Siddiq, Mohammed Latif, et al.
Veröffentlicht: (2023)

Klear-CodeTest: Scalable Test Case Generation for Code Reinforcement Learning
von: Fu, Jia, et al.
Veröffentlicht: (2025)

Top Pass: Improve Code Generation by Pass@k-Maximized Code Ranking
von: Lyu, Zhi-Cun, et al.
Veröffentlicht: (2024)

Learn to Code Sustainably: An Empirical Study on LLM-based Green Code Generation
von: Vartziotis, Tina, et al.
Veröffentlicht: (2024)

A Controlled Experiment on the Energy Efficiency of the Source Code Generated by Code Llama
von: Cursaru, Vlad-Andrei, et al.
Veröffentlicht: (2024)

Selection of Prompt Engineering Techniques for Code Generation through Predicting Code Complexity
von: Wang, Chung-Yu, et al.
Veröffentlicht: (2024)

Revisit Self-Debugging with Self-Generated Tests for Code Generation
von: Chen, Xiancai, et al.
Veröffentlicht: (2025)

GeoCode-GPT: A Large Language Model for Geospatial Code Generation Tasks
von: Hou, Shuyang, et al.
Veröffentlicht: (2024)

Copilot-in-the-Loop: Fixing Code Smells in Copilot-Generated Python Code using Copilot
von: Zhang, Beiqi, et al.
Veröffentlicht: (2024)

CodeCircuit: Toward Inferring LLM-Generated Code Correctness via Attribution Graphs
von: He, Yicheng, et al.
Veröffentlicht: (2026)

What Makes Code Generation Ethically Sourced?
von: Xu, Zhuolin, et al.
Veröffentlicht: (2025)

Process-Supervised Reinforcement Learning for Code Generation
von: Ye, Yufan, et al.
Veröffentlicht: (2025)

A Survey of Bugs in AI-Generated Code
von: Gao, Ruofan, et al.
Veröffentlicht: (2025)

Evaluating the Energy-Efficiency of the Code Generated by LLMs
von: Islam, Md Arman, et al.
Veröffentlicht: (2025)

Towards Better Correctness and Efficiency in Code Generation
von: Feng, Yunlong, et al.
Veröffentlicht: (2025)

Uncertainty Quantification for LLM-based Code Generation
von: Xu, Senrong, et al.
Veröffentlicht: (2026)

On the Impacts of Contexts on Repository-Level Code Generation
von: Hai, Nam Le, et al.
Veröffentlicht: (2024)

Understanding Defects in Generated Codes by Language Models
von: Esfahani, Ali Mohammadi, et al.
Veröffentlicht: (2024)

WybeCoder: Verified Imperative Code Generation
von: Gloeckle, Fabian, et al.
Veröffentlicht: (2026)