Textual-to-Visual Iterative Self-Verification for Slide Generation

生成演示文稿幻灯片是一项耗时的任务，迫切需要实现自动化。由于现有基于大型语言模型（LLM）的自主代理灵活性有限且缺乏自动优化机制，在实际应用中面临诸多限制。我们将生成缺失的演示文稿幻灯片任务分解为两个关键组成部分：内容生成和布局生成，这与创建学术幻灯片的典型过程相吻合。首先，我们介绍了一种内容生成方法，通过结合相邻幻灯片的上下文并利用章节检索策略，增强内容的一致性和相关性。对于布局生成，我们提出了一种从文本到视觉的自我验证流程，采用基于LLM的审查员+优化工作流，将复杂的文本布局转换为直观的视觉格式。这种模态转换简化了任务，使得审查和优化更加准确且类人化。实验表明，我们的方法在对齐性、逻辑流畅性、视觉吸引力和可读性方面显著优于基线方法。

该论文旨在解决自动化生成演示文稿幻灯片这一耗时任务的问题，特别是现有基于LLM（大型语言模型）的自主代理由于灵活性有限和缺乏自动优化机制而在实际应用中的局限性。这是一个在提升办公效率和内容创作自动化方面具有重要现实意义的问题。

论文提出将幻灯片生成任务分解为两个核心部分：内容生成与布局生成。内容生成通过结合上下文信息及章节检索策略提高连贯性和相关性；布局生成则采用文本到视觉的自我验证流程，利用LLM为基础的审核+优化工作流，将复杂的文本布局转换成直观的视觉格式。这种分离处理的方法不仅简化了任务，而且实现了更准确、更人性化的审查和优化。

实验结果显示，该方法在对齐度、逻辑流畅性、视觉吸引力和可读性方面显著优于基准方法。此外，论文强调了其方法能够根据上下文调整内容和设计，确保最终输出既符合主题又美观大方。虽然文中未明确提及数据集或开源代码，但所提出的框架为未来研究提供了坚实的基础，特别是在探索更复杂的内容理解以及更加智能的视觉设计方面。

近期，在幻灯片自动生成领域，其他研究包括《Automated PowerPoint Generation Using Deep Learning》和《SlideCraft: A System for Generating Presentation Slides from Textual Content》等。这些研究主要集中在如何利用深度学习技术来改进内容提取和排版设计。相比之下，本论文的独特之处在于引入了基于LLM的审核和优化机制，这使得生成的内容不仅准确，而且更加贴近人类设计师的思维方式。