Generazione di Istruzioni Illustrate

Generating Illustrated Instructions

December 7, 2023

Autori: Sachit Menon, Ishan Misra, Rohit Girdhar

cs.AI

Abstract

Introduciamo il nuovo compito di generare Istruzioni Illustrate, ovvero istruzioni visive personalizzate in base alle esigenze dell'utente. Identifichiamo i requisiti unici di questo compito e lo formalizziamo attraverso una serie di metriche di valutazione automatiche e umane, progettate per misurare la validità, la coerenza e l'efficacia delle generazioni. Combiniamo la potenza dei grandi modelli linguistici (LLM) con robusti modelli di generazione di immagini da testo basati su diffusione per proporre un approccio semplice chiamato StackedDiffusion, che genera tali istruzioni illustrate a partire da un input testuale. Il modello risultante supera nettamente gli approcci di base e i migliori LLM multimodali; e nel 30% dei casi, gli utenti lo preferiscono persino agli articoli generati da esseri umani. Soprattutto, abilita varie nuove ed entusiasmanti applicazioni che vanno ben oltre ciò che gli articoli statici sul web possono offrire, come istruzioni personalizzate complete di passaggi intermedi e immagini in risposta alla situazione individuale dell'utente.

English

We introduce the new task of generating Illustrated Instructions, i.e., visual instructions customized to a user's needs. We identify desiderata unique to this task, and formalize it through a suite of automatic and human evaluation metrics, designed to measure the validity, consistency, and efficacy of the generations. We combine the power of large language models (LLMs) together with strong text-to-image generation diffusion models to propose a simple approach called StackedDiffusion, which generates such illustrated instructions given text as input. The resulting model strongly outperforms baseline approaches and state-of-the-art multimodal LLMs; and in 30% of cases, users even prefer it to human-generated articles. Most notably, it enables various new and exciting applications far beyond what static articles on the web can provide, such as personalized instructions complete with intermediate steps and pictures in response to a user's individual situation.