针对AI如何从图像中提取抽象隐喻逻辑并迁移至新对象的问题，这项研究提出了视觉隐喻迁移新任务。通过构建具备闭环反思能力的多智能体框架，实现了从像素风格替换到认知逻辑跨越的突破。
智能速览
提出视觉隐喻迁移任务，突破像素级风格替换限制
引入Schema Grammar结构化表示，形式化建模隐喻逻辑
设计感知、迁移、生成、诊断四阶段协同智能体
引入层级反馈机制，模拟专业批评者进行定性评估
核心指标类比恰当性提升达16.8%，全面超越SOTA基线
人类评估显示其在创意性与视觉整合上表现优异
精华内容
传统AI图像生成多停留于风格模仿，如何让模型真正理解并迁移深层的隐喻逻辑？这一多智能体框架给出了具体方案。
核心解构方法
提出Schema Grammar（SG）结构化表示，将隐喻解耦为实体、关系核心、冲突点和涌现意义四部分。这种形式化建模有效捕捉了跨域逻辑的不变性，为AI理解复杂隐喻提供了可计算的基础。
四阶段智能体
框架设计了四个阶段的协同智能体。感知智能体提取SG，迁移智能体在保持核心不变前提下匹配新主体与违和点，生成智能体将SG转译为提示词，诊断智能体负责回溯修正。
诊断反馈机制
引入层级反馈机制，诊断智能体模拟专业批评者进行评估。它从主体显著性、违和实现、关系连贯性等维度定性分析，分层回溯定位逻辑偏差，驱动迭代优化，确保生成结果兼具逻辑深度与视觉合理性。
数据实测表现
在126个真实隐喻图像数据集上，该方法在隐喻一致性、类比恰当性等指标上全面超越SOTA基线，类比恰当性提升16.8%。人类评估显示，其隐喻创意性评分达4.57，整体质量为4.77，证明逻辑推理未牺牲美学表现。
该研究将认知语言学中的概念整合理论成功工程化，为AI理解深层语义提供了新路径。随着多智能体技术的成熟，未来AI或许能更精准地捕捉人类独有的隐喻思维，为创意设计带来更多可能。
