Personalization as Inverse Planning: Learning Latent Design Intents for Agentic Slide Generation via Structural Denoising
Di cosa parla
Si cerca di personalizzare singole pagine di slide facendo capire all'AI l'intento di design nascosto, senza affidarsi a template o a istruzioni lunghe. Per farlo si interpreta il compito come pianificazione inversa e si propone SPIRE: si corrompono le strutture visive delle slide e due agenti le ripuliscono tramite apprendimento per rinforzo, dimostrando che il ripristino strutturale è un sostituto consistente e che l'uso di più agenti riduce l'instabilità dell'apprendimento.
Cosa permette di osservare
Permette di esplorare se un sistema può inferire l'intento estetico di una presentazione senza istruzioni esplicite e se l'approccio che corrompe e poi ripara le slide, con agenti che si allenano insieme, rende l'addestramento più affidabile.
Dalla fonte
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 collaborativel…