論文の概要: DesignLab: Designing Slides Through Iterative Detection and Correction

• arxiv url: http://arxiv.org/abs/2507.17202v1
• Date: Wed, 23 Jul 2025 04:49:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-24 22:33:14.860535
• Title: DesignLab: Designing Slides Through Iterative Detection and Correction
• Title（参考訳）: DesignLab: 反復検出と補正によるスライドの設計
• Authors: Jooyeol Yun, Heng Wang, Yotaro Shimose, Jaegul Choo, Shingo Takamatsu,
• Abstract要約: デザインプロセスをデザインレビュアーとデザインコントリビュータの2つの役割に分割するデザインラボを提案する。 この分解により、リビューアが問題を継続的に検出し、コントリビュータが修正する反復ループが可能になる。 実験の結果,DesignLabは商用ツールを含む既存のデザイン生成手法よりも優れていることがわかった。
• 参考スコア（独自算出の注目度）: 32.29179295296639
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Designing high-quality presentation slides can be challenging for non-experts due to the complexity involved in navigating various design choices. Numerous automated tools can suggest layouts and color schemes, yet often lack the ability to refine their own output, which is a key aspect in real-world workflows. We propose DesignLab, which separates the design process into two roles, the design reviewer, who identifies design-related issues, and the design contributor who corrects them. This decomposition enables an iterative loop where the reviewer continuously detects issues and the contributor corrects them, allowing a draft to be further polished with each iteration, reaching qualities that were unattainable. We fine-tune large language models for these roles and simulate intermediate drafts by introducing controlled perturbations, enabling the design reviewer learn design errors and the contributor learn how to fix them. Our experiments show that DesignLab outperforms existing design-generation methods, including a commercial tool, by embracing the iterative nature of designing which can result in polished, professional slides.
• Abstract（参考訳）: 高品質なプレゼンテーションスライドを設計するのは、さまざまな設計選択をナビゲートする複雑性のため、非専門家にとって難しい。 多数の自動ツールがレイアウトやカラースキームを提案しているが、現実のワークフローにおいて重要な側面である独自のアウトプットを洗練できないことが多い。 本稿では,デザインプロセスを設計関連問題を特定するデザインレビュアーと,修正を行うデザインコントリビュータという,2つの役割に分けるデザインラボを提案する。 この分解により、レビュアが継続的に問題を検知し、コントリビュータが修正する反復ループが可能になり、各イテレーションでドラフトをさらに洗練し、達成不可能な品質に達する。 これらの役割に対して大きな言語モデルを微調整し、制御された摂動を導入することで中間のドラフトをシミュレートし、デザインレビュアーが設計エラーを学習し、コントリビュータが修正方法を学ぶことを可能にする。 この実験により,DesignLabは,設計の反復的な性質を取り入れた商用ツールを含む既存のデザイン生成手法よりも優れており,その結果,洗練されたプロフェッショナルなスライドがもたらされることがわかった。

関連論文リスト

• Rethinking Layered Graphic Design Generation with a Top-Down Approach [76.33538798060326]
  図形デザインは、アイデアやメッセージを伝えるのに不可欠である。デザイナーは通常、編集を簡単にするために、オブジェクト、背景、ベクトル化されたテキスト層に作業を整理する。 GenAI方式の登場により、ピクセルフォーマットにおける高品質なグラフィックデザインの無限の供給がよりアクセスしやすくなってきた。 これにもかかわらず、非層型設計は人間の設計を刺激し、レイアウトやテキストスタイルの選択に影響を与え、最終的に層型設計を導いた。 本稿では,AI生成したデザインを編集可能な階層化設計に変換する最初の試みとして,グラフィックデザイン生成フレームワークであるAccordionを提案する。
  論文  参考訳（メタデータ） (2025-07-08T02:26:08Z)
• FlairGPT: Repurposing LLMs for Interior Designs [26.07841568311428]
  大規模言語モデル (LLM) が内部設計に直接活用できるかどうかを検討する。 LLMを体系的に探索することにより、関連する制約とともにオブジェクトのリストを確実に生成できる。 この情報を設計レイアウトグラフに変換し、オフザシェルフ制約最適化設定を用いて解決する。
  論文  参考訳（メタデータ） (2025-01-08T18:01:49Z)
• DiffDesign: Controllable Diffusion with Meta Prior for Efficient Interior Design Generation [2.806426655599813]
  DiffDesignは、メタプリミティブを持つ制御可能な拡散モデルであり、効率的な内部設計生成を実現する。 具体的には,画像データセット上で事前学習した2次元拡散モデルの生成先行をレンダリングバックボーンとして利用する。 さらに、外観、ポーズ、サイズといったデザイン属性を横断的に制御し、視点整合性を強制する最適な転送ベースのアライメントモジュールを導入することで、デノナイジングプロセスをガイドする。
  論文  参考訳（メタデータ） (2024-11-25T11:36:34Z)
• Revision Matters: Generative Design Guided by Revision Edits [18.976709992275286]
  本研究では,人間設計者による修正編集がマルチモーダル生成モデルにどのような効果をもたらすかを検討する。 本研究は, 反復的なレイアウト改善において, 人間のリビジョンが重要な役割を担っていることを示す。 我々の研究は、事前訓練された大規模マルチモーダルモデルに基づく反復的設計修正の道を開く。
  論文  参考訳（メタデータ） (2024-05-27T17:54:51Z)
• I-Design: Personalized LLM Interior Designer [57.00412237555167]
  I-Designはパーソナライズされたインテリアデザイナで、自然言語によるコミュニケーションを通じて設計目標の生成と視覚化を可能にする。 I-Designは、対話や論理的推論に従事する大きな言語モデルエージェントのチームから始まる。 最終的な設計は、既存のオブジェクトデータベースから資産を取り出し、統合することで、3Dで構築されます。
  論文  参考訳（メタデータ） (2024-04-03T16:17:53Z)
• Compositional Generative Inverse Design [69.22782875567547]
  入力変数を設計して目的関数を最適化する逆設計は重要な問題である。 拡散モデルにより得られた学習エネルギー関数を最適化することにより、そのような逆例を避けることができることを示す。 N-body 相互作用タスクと2次元多面体設計タスクにおいて,実験時に学習した拡散モデルを構成することにより,初期状態と境界形状を設計できることを示す。
  論文  参考訳（メタデータ） (2024-01-24T01:33:39Z)
• Representation Learning for Sequential Volumetric Design Tasks [11.702880690338677]
  本稿では,設計知識を専門家や高性能な設計シーケンスの集合から符号化することを提案する。 学習した表現の密度を推定して選好モデルを開発する。 逐次設計生成のための自己回帰変換モデルを訓練する。
  論文  参考訳（メタデータ） (2023-09-05T21:21:06Z)
• Design Space Exploration and Explanation via Conditional Variational Autoencoders in Meta-model-based Conceptual Design of Pedestrian Bridges [52.77024349608834]
  本稿では,条件付き変分オートエンコーダ(CVAE)による人間設計者向上のための性能駆動型設計探索フレームワークを提案する。 CVAEはスイスの歩行者橋の合成例18万件で訓練されている。
  論文  参考訳（メタデータ） (2022-11-29T17:28:31Z)
• Investigating Positive and Negative Qualities of Human-in-the-Loop Optimization for Designing Interaction Techniques [55.492211642128446]
  設計者は、与えられた目的の集合を最大化する設計パラメータの組み合わせを見つけるよう求められる設計最適化タスクに苦労すると言われている。 モデルベースの計算設計アルゴリズムは、設計中に設計例を生成することでデザイナを支援する。 一方、補助のためのブラックボックスメソッドは、あらゆる設計問題に対処できる。
  論文  参考訳（メタデータ） (2022-04-15T20:40:43Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。