イラスト付き説明書の生成

Generating Illustrated Instructions

December 7, 2023

著者: Sachit Menon, Ishan Misra, Rohit Girdhar

cs.AI

要旨

私たちは、ユーザーのニーズに合わせてカスタマイズされた視覚的な指示書を生成する新しいタスクである「イラスト付き指示書生成」を提案します。このタスクに特有の要件を特定し、生成物の妥当性、一貫性、有効性を測定するための自動評価指標と人間による評価指標のセットを通じて、このタスクを形式化します。私たちは、大規模言語モデル（LLM）の能力と強力なテキストから画像を生成する拡散モデルを組み合わせ、テキストを入力として与えることでイラスト付き指示書を生成する「StackedDiffusion」というシンプルなアプローチを提案します。その結果、このモデルはベースラインアプローチや最先端のマルチモーダルLLMを大きく上回り、30%のケースではユーザーが人間が作成した記事よりも好む結果を示しました。最も注目すべき点は、ウェブ上の静的な記事が提供できる範囲をはるかに超えた、ユーザーの個別の状況に応じた中間ステップや画像を含むパーソナライズされた指示書など、さまざまな新しいエキサイティングなアプリケーションを可能にすることです。

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.