LayoutNUWA: Раскрытие скрытых навыков компоновки в крупных языковых моделях

LayoutNUWA: Revealing the Hidden Layout Expertise of Large Language Models

September 18, 2023

Авторы: Zecheng Tang, Chenfei Wu, Juntao Li, Nan Duan

cs.AI

Аннотация

Генерация графических макетов, активно развивающаяся область исследований, играет важную роль в вовлечении пользователей и восприятии информации. Существующие методы в основном рассматривают генерацию макетов как задачу численной оптимизации, сосредотачиваясь на количественных аспектах и упуская семантическую информацию макета, такую как взаимосвязь между его элементами. В данной статье мы представляем LayoutNUWA — первую модель, которая рассматривает генерацию макетов как задачу генерации кода, чтобы усилить семантическую информацию и использовать скрытые знания о макетах, заложенные в больших языковых моделях (LLM). Более конкретно, мы разработали подход Code Instruct Tuning (CIT), состоящий из трех взаимосвязанных модулей: 1) модуль Code Initialization (CI) квантует численные условия и инициализирует их в виде HTML-кода с стратегически размещенными масками; 2) модуль Code Completion (CC) использует знания о форматировании LLM для заполнения замаскированных частей в HTML-коде; 3) модуль Code Rendering (CR) преобразует завершенный код в финальный макет, обеспечивая высокую интерпретируемость и прозрачность процесса генерации макета, который напрямую отображает код в визуализированный макет. Мы достигаем значительных результатов, превосходящих современные методы (вплоть до улучшений более чем на 50%) на нескольких наборах данных, демонстрируя мощные возможности LayoutNUWA. Наш код доступен по адресу https://github.com/ProjectNUWA/LayoutNUWA.

English

Graphic layout generation, a growing research field, plays a significant role in user engagement and information perception. Existing methods primarily treat layout generation as a numerical optimization task, focusing on quantitative aspects while overlooking the semantic information of layout, such as the relationship between each layout element. In this paper, we propose LayoutNUWA, the first model that treats layout generation as a code generation task to enhance semantic information and harness the hidden layout expertise of large language models~(LLMs). More concretely, we develop a Code Instruct Tuning (CIT) approach comprising three interconnected modules: 1) the Code Initialization (CI) module quantifies the numerical conditions and initializes them as HTML code with strategically placed masks; 2) the Code Completion (CC) module employs the formatting knowledge of LLMs to fill in the masked portions within the HTML code; 3) the Code Rendering (CR) module transforms the completed code into the final layout output, ensuring a highly interpretable and transparent layout generation procedure that directly maps code to a visualized layout. We attain significant state-of-the-art performance (even over 50\% improvements) on multiple datasets, showcasing the strong capabilities of LayoutNUWA. Our code is available at https://github.com/ProjectNUWA/LayoutNUWA.