개인화된 슬라이드 자동 생성: 구조적 노이즈 제거를 통한 설계 의도 학습을 위한 역방향 계획

Personalization as Inverse Planning: Learning Latent Design Intents for Agentic Slide Generation via Structural Denoising

슬라이드 디자인은 전체 프레젠테이션의 테마와 각 페이지 레이아웃 모두를 개인화해야 합니다. 그러나 현재 AI 에이전트 기반 방법들은 미세한 수준, 즉 페이지 단위의 디자인에 어려움을 겪고 있습니다. 기존 방식은 미리 정의된 템플릿이나 사용자의 상세한 지시에만 의존하기 때문에 잠재적인 디자인 의도를 파악하지 못하고, 결과적으로 페이지 레벨 슬라이드 개인화(PSP) 문제가 해결되지 않고 있습니다. 본 연구는 이러한 문제를 해결하기 위해 PSP를 역방향 계획 문제로 정의합니다. 특정 실행 도구(예: PowerPoint, Beamer)에 대한 사전 지식 없이 디자인 의도를 학습하는 방법을 제안합니다. 그러나 해당 도구들에 대한 통제권을 포기하면 전체 시스템을 최적화하기가 매우 어렵습니다. 이러한 문제를 해결하기 위해, 본 연구는 PSP를 근사적으로 해결할 수 있는 체계적인 프레임워크인 SPIRE를 제안합니다. SPIRE는 깨끗한 슬라이드의 시각적 구조에 의도적으로 노이즈를 추가하여 검증 가능한 작업을 생성하고, 두 개의 에이전트가 강화 학습(RL)을 통해 협력하여 실행 가능한 디자인을 개선하도록 합니다. 본 연구에서는 구조적 노이즈 제거가 PSP의 일관된 대체 방법임을 증명하고, 멀티 에이전트 방식이 RL에서 정책 그래디언트의 분산을 줄이는 데 효과적임을 보입니다. 광범위한 실험 결과는 SPIRE의 우수성을 입증합니다.

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.