Personalização como Planejamento Inverso: Aprendendo Intenções Latentes de Design para Geração Agentiva de Slides via Desruído Estrutural

Resumo

O design de slides exige a personalização tanto de temas de apresentação quanto de layouts de página. No entanto, os métodos atuais baseados em agentes de IA enfrentam dificuldades com o design detalhado em nível de página. Ao depender exclusivamente de modelos pré-definidos ou de instruções verbosas dos usuários, esses métodos não conseguem capturar intenções de design latentes, deixando a Personalização de Slides em Nível de Página (PSP) sem solução. Para preencher essa lacuna, este trabalho formula a PSP como um problema de planejamento inverso. Propomos aprender uma intenção de design sem assumir qualquer conhecimento das ferramentas de execução específicas utilizadas (por exemplo, PowerPoint, Beamer). No entanto, abrir mão do controle sobre essas ferramentas torna o problema intratável para otimização ponta a ponta. Para superar isso, propomos o SPIRE, uma estrutura fundamentada para resolver a PSP de forma aproximada. Ao corromper intencionalmente as estruturas visuais de slides limpos, o SPIRE cria uma tarefa verificável de remoção de ruído, na qual dois agentes aprendem a refinar colaborativamente designs executáveis por meio de aprendizado por reforço (RL). Apresentamos uma prova de que a remoção estrutural de ruído é um substituto consistente para a PSP, e que a formulação multiagente reduz estritamente a variância do gradiente da política em RL. Experimentos extensos demonstram a superioridade do SPIRE.

English

Slide design requires personalizing both deck themes and page layouts. Yet, current AI agent-based methods struggle with fine-grained, page-level design. Solely relying on prespecified templates or user verbose instructions, they fail to capture latent design intents, leaving Page-level Slide Personalization (PSP) unresolved. To close this gap, this work formulates PSP as an inverse planning problem. We propose to learn a design intent without assuming any knowledge of the specific executing tools (e.g., PowerPoint, Beamer) being used. However, relinquishing control over these tools makes the problem intractable to optimize end-to-end. To overcome this, we propose SPIRE, a principled framework to solve PSP approximately. By intentionally corrupting the visual structures of clean slides, SPIRE creates a verifiable task to denoise the corruption, whereby two agents learn to collaboratively refine executable designs via reinforcement learning (RL). We present a proof that structural denoising is a consistent surrogate for PSP, and that the multi-agent formulation strictly reduces policy gradient variance in RL. Extensive experiments demonstrate the superiority of SPIRE.