PosterGen: Esthetisch Bewuste Paper-naar-Poster Generatie via Multi-Agent LLM's

PosterGen: Aesthetic-Aware Paper-to-Poster Generation via Multi-Agent LLMs

August 24, 2025

Auteurs: Zhilin Zhang, Xiang Zhang, Jiaqi Wei, Yiwei Xu, Chenyu You

cs.AI

Samenvatting

Multi-agent systemen gebouwd op grote taalmodellen (LLMs) hebben opmerkelijke capaciteiten getoond bij het aanpakken van complexe compositionele taken. In dit werk passen we dit paradigma toe op het probleem van paper-naar-poster generatie, een praktisch maar tijdrovend proces waar onderzoekers mee te maken hebben bij de voorbereiding van conferenties. Hoewel recente benaderingen hebben geprobeerd deze taak te automatiseren, negeren de meeste kernontwerp- en esthetische principes, wat resulteert in posters die aanzienlijke handmatige verfijning vereisen. Om deze ontwerpbeperkingen aan te pakken, stellen we PosterGen voor, een multi-agent raamwerk dat de werkwijze van professionele posterontwerpers nabootst. Het bestaat uit vier samenwerkende gespecialiseerde agents: (1) Parser en Curator agents extraheren inhoud uit het paper en organiseren het storyboard; (2) Layout agent ordent de inhoud in een samenhangende ruimtelijke lay-out; (3) Stylist agents passen visuele ontwerpelementen toe zoals kleur en typografie; en (4) Renderer stelt de uiteindelijke poster samen. Samen produceren deze agents posters die zowel semantisch onderbouwd als visueel aantrekkelijk zijn. Om de ontwerpkwaliteit te evalueren, introduceren we een rubric gebaseerd op een vision-language model (VLM) die lay-outbalans, leesbaarheid en esthetische samenhang meet. Experimentele resultaten tonen aan dat PosterGen consistent overeenkomt in inhoudelijke trouw, en aanzienlijk beter presteert dan bestaande methoden in visueel ontwerp, waarbij het posters genereert die presentatieklaar zijn met minimale menselijke verfijningen.

English

Multi-agent systems built upon large language models (LLMs) have demonstrated remarkable capabilities in tackling complex compositional tasks. In this work, we apply this paradigm to the paper-to-poster generation problem, a practical yet time-consuming process faced by researchers preparing for conferences. While recent approaches have attempted to automate this task, most neglect core design and aesthetic principles, resulting in posters that require substantial manual refinement. To address these design limitations, we propose PosterGen, a multi-agent framework that mirrors the workflow of professional poster designers. It consists of four collaborative specialized agents: (1) Parser and Curator agents extract content from the paper and organize storyboard; (2) Layout agent maps the content into a coherent spatial layout; (3) Stylist agents apply visual design elements such as color and typography; and (4) Renderer composes the final poster. Together, these agents produce posters that are both semantically grounded and visually appealing. To evaluate design quality, we introduce a vision-language model (VLM)-based rubric that measures layout balance, readability, and aesthetic coherence. Experimental results show that PosterGen consistently matches in content fidelity, and significantly outperforms existing methods in visual designs, generating posters that are presentation-ready with minimal human refinements.