Создание иллюстрированных инструкций

Generating Illustrated Instructions

December 7, 2023

Авторы: Sachit Menon, Ishan Misra, Rohit Girdhar

cs.AI

Аннотация

Мы представляем новую задачу генерации иллюстрированных инструкций, то есть визуальных руководств, адаптированных под потребности пользователя. Мы выделяем уникальные требования для этой задачи и формализуем её с помощью набора автоматических и человеческих метрик оценки, предназначенных для измерения валидности, согласованности и эффективности генерируемых результатов. Мы объединяем возможности крупных языковых моделей (LLM) с мощными моделями генерации изображений на основе диффузии, чтобы предложить простой подход под названием StackedDiffusion, который генерирует такие иллюстрированные инструкции на основе текстового ввода. Полученная модель значительно превосходит базовые подходы и современные мультимодальные LLM; в 30% случаев пользователи даже предпочитают её статьям, созданным человеком. Наиболее примечательно то, что она открывает множество новых и увлекательных приложений, выходящих далеко за рамки возможностей статических статей в интернете, таких как персонализированные инструкции с промежуточными шагами и изображениями, адаптированными под индивидуальную ситуацию пользователя.

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.