Gerando Instruções Ilustradas

Generating Illustrated Instructions

December 7, 2023

Autores: Sachit Menon, Ishan Misra, Rohit Girdhar

cs.AI

Resumo

Apresentamos a nova tarefa de gerar Instruções Ilustradas, ou seja, instruções visuais personalizadas de acordo com as necessidades do usuário. Identificamos requisitos específicos para essa tarefa e a formalizamos por meio de um conjunto de métricas de avaliação automáticas e humanas, projetadas para medir a validade, consistência e eficácia das gerações. Combinamos o poder dos grandes modelos de linguagem (LLMs) com modelos de difusão fortes de geração de texto para imagem para propor uma abordagem simples chamada StackedDiffusion, que gera tais instruções ilustradas a partir de um texto de entrada. O modelo resultante supera significativamente abordagens de linha de base e LLMs multimodais de última geração; e, em 30% dos casos, os usuários até preferem as instruções geradas pelo modelo em vez de artigos criados por humanos. Mais notavelmente, ele possibilita diversas aplicações novas e empolgantes que vão muito além do que artigos estáticos na web podem oferecer, como instruções personalizadas completas com etapas intermediárias e imagens em resposta à situação individual do usuário.

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.