Персонализация как обратное планирование: обучение латентным дизайнерским намерениям для агентной генерации слайдов посредством структурного шумоподавления

Аннотация

Дизайн слайдов требует персонализации как тем презентаций, так и макетов страниц. Однако существующие методы, основанные на AI-агентах, с трудом справляются с детальным дизайном на уровне страниц. Основываясь исключительно на предопределенных шаблонах или подробных инструкциях пользователя, они не способны улавливать скрытые дизайнерские намерения, что оставляет задачу персонализации слайдов на уровне страниц (PSP) нерешенной. Для устранения этого пробела данная работа формулирует PSP как обратную задачу планирования. Мы предлагаем изучать дизайнерское намерение без какого-либо знания о конкретных используемых инструментах выполнения (например, PowerPoint, Beamer). Однако отказ от контроля над этими инструментами делает проблему сквозной оптимизации неразрешимой. Чтобы преодолеть это, мы предлагаем SPIRE — принципиальную структуру для приближенного решения PSP. Намеренно искажая визуальные структуры чистых слайдов, SPIRE создает проверяемую задачу по устранению искажений, в рамках которой два агента обучаются совместно уточнять исполняемые проекты посредством обучения с подкреплением (RL). Мы представляем доказательство того, что структурное шумоподавление является согласованным суррогатом для PSP, а многопользовательская формулировка строго снижает дисперсию градиента политики в RL. Обширные эксперименты демонстрируют превосходство 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.