SlideGen: Collaborative Multimodal Agents for Scientific Slide Generation
本文介绍了 SlideGen，一个协作式多模态智能体框架，它通过协调叙事规划、多模态对齐和布局组合，将科学论文转化为结构良好的演示文稿幻灯片，同时还提出了一种新的几何感知密度指标，用于评估视觉平衡与有效性。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
每天，科学家和研究人员都要花费无数小时将晦涩、技术性强的论文转化为演示文稿幻灯片。这是为了会议、课堂和研讨会而进行的必要仪式，在这些场合中，复杂的思想必须被提炼成少数几页清晰且视觉组织有序的页面。挑战不仅仅在于总结文本，更是一种微妙的叙事艺术。演讲者必须决定讲述哪种叙事，突出哪些图表，以及如何安排文字和图像，使它们不会相互拥挤。如果布局糟糕，无论潜在的研究多么出色，观众都会感到困惑或疲劳。几十年来，这一过程几乎完全是手工完成的，这是一项耗时的任务，难以跟上日益增长的科学产出速度。
核心难点在于，制作一份优秀的幻灯片集需要同时运用两种不同的思维方式。首先，必须理解研究论文中冗长且详细的故事。其次，必须具备视觉设计感，将该故事编排成易于阅读的格式。现有的试图自动化这一任务的大多数计算机程序仅关注文本，往往生成内容拥挤、重复或视觉失衡的幻灯片。它们将演示文稿的创建视为简单的总结工作，忽略了设计信息在页面上呈现方式这一关键步骤。
为了解决这个问题，一个研究小组开发了一个名为 SlideGen 的新系统。他们并没有依靠单个计算机程序来一次性完成所有工作，而是构建了一个由专门的数字智能体组成的协作团队。可以将这些智能体想象成一个在工作室里共同工作的专家组，其中每个人都有特定的职责。一个智能体充当“导演”，阅读整篇论文以概述故事并决定要点；另一个智能体充当“策展人”，仔细挑选合适的图表、图形和公式来支持这些要点；第三个智能体充当“设计师”，从预设的布局库中选择布局，以确保文字和图像完美契合而不发生重叠；最后，第四个智能体负责编写演讲者备注，提供将幻灯片连接成流畅口语叙事的脚本。
研究人员在来自顶尖计算机科学会议的 200 篇近期科学论文上测试了这一系统。他们发现，这种协作方法生成的幻灯片明显优于其他方法。这个新系统生成的幻灯片不仅忠实于原始研究，而且视觉平衡且易于理解。为了衡量这一点，该团队开发了一种新的评分方式，根据内容填充页面的程度进行评分，既避免了空白空间，也避免了视觉拥挤。结果显示，这些由智能体团队生成的幻灯片在质量上比以往的尝试更接近人类的判断。
在一项涉及 30 名具有学术演示经验的人员的研究中，结果非常显著。当被问及选择哪套幻灯片集作为自己演讲的草稿时，几乎所有的参与者都更倾向于由这个新系统创建的版本，而非其他自动化工具制作的版本。许多人认为这些计算机生成的幻灯片质量甚至优于大多数人类所能制作的水平，有些人甚至称其达到了专家级水平。该系统的成功之处在于，它不仅仅是复制粘贴信息，而是同时对演示文稿的结构和视觉设计进行了推理。通过将复杂的幻灯片创建任务分解为由不同智能体处理的更小的专业化步骤，研究人员展示了计算机可以学习处理科学传播中的艺术和叙事层面，从而将一项乏味的繁琐手工劳动转变为高效的自动化过程。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。