論文の概要: InfoVis: Unified Slide Image Generation and Editing

• arxiv url: http://arxiv.org/abs/2610.16784v1
• Date: Mon, 12 Oct 2026 13:39:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-15 21:06:15.379752
• Title: InfoVis: Unified Slide Image Generation and Editing
• Title（参考訳）: InfoVis: 統一されたスライド画像生成と編集
• Abstract要約: スライド中心の4つのタスクを定式化し、13M以上の連続事前学習レコードと1.9Mの教師付き微調整レコードを備えたスケーラブルなデータエンジンを構築する。 また、タスク固有の多次元評価で4つのタスクすべてをカバーする、1,527個の手動スクリーニングインスタンスのベンチマークであるVisSlideBenchを紹介します。 VisSlideBenchでは、InfoVisが評価済みのオープンソースモデルを11のメトリクスすべてでリードし、Nano-Banana-2の7.99に対して総合スコア7.94である。
• 参考スコア（独自算出の注目度）: 61.77655177018895
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Generating and editing presentation slides requires models to combine accurate text rendering, instruction following, visual grounding, aesthetic design, and precise editing within one canvas. Existing work covers only subsets of these capabilities and lacks large-scale slide-native supervision and diagnostic evaluation. We formulate four slide-centric tasks and build a scalable data engine with over 13M continual-pretraining records and 1.9M supervised fine-tuning records. We also introduce VisSlideBench, a benchmark of 1,527 manually screened instances that covers all four tasks with task-specific, multidimensional evaluation. Its automatic rankings agree with blinded, dimension-wise human rankings. Using these resources, we train InfoVis, a unified 9B slide generation and editing model. On VisSlideBench, InfoVis leads every evaluated open-source model on all eleven metrics and scores 7.94 overall against 7.99 for Nano-Banana-2. Starting from FLUX.2-klein-base-9B, slide-specific post-training adds 1.6 points overall, with the largest generation gains in content faithfulness; the remaining gap to proprietary models is smallest in content faithfulness and largest in aesthetic quality. Built on InfoVis, our document-to-slide workflow achieves the second-highest Aesthetics score on the external SlidesGen-Bench. We will release the model, code, data, and benchmark.
• Abstract（参考訳）: プレゼンテーションスライドの生成と編集には、正確なテキストレンダリング、命令追従、視覚的接地、美的デザイン、正確な編集を1つのキャンバス内で組み合わせるモデルが必要である。 既存の作業はこれらの機能のサブセットのみをカバーし、大規模なスライドネイティブ監視と診断評価を欠いている。 スライド中心の4つのタスクを定式化し、13M以上の連続事前学習レコードと1.9Mの教師付き微調整レコードを備えたスケーラブルなデータエンジンを構築する。 また、タスク固有の多次元評価で4つのタスクすべてをカバーする、1,527個の手動スクリーニングインスタンスのベンチマークであるVisSlideBenchを紹介します。 自動ランキングは視覚障害者のランキングと一致している。 これらのリソースを使用して、統合された9Bスライド生成および編集モデルであるInfoVisをトレーニングする。 VisSlideBenchでは、InfoVisが評価済みのオープンソースモデルを11のメトリクスすべてでリードし、Nano-Banana-2の7.99に対して総合スコア7.94である。 FLUX.2-klein-base-9Bを皮切りに、スライド固有のポストトレーニングは、全体的な1.6ポイントを追加し、コンテンツ忠実性において最大の世代が増加し、プロプライエタリモデルに対する残りのギャップは、コンテンツ忠実性において最小であり、美的品質において最大である。 InfoVis上に構築されたドキュメントからスライドまでのワークフローは、外部のSlidesGen-Benchで2番目に高いAestheticsスコアを達成します。 モデル、コード、データ、ベンチマークをリリースします。

関連論文リスト

• Learning to Present: Inverse Specification Rewards for Agentic Slide Generation [15.152850806890065]
  本研究は,LLMエージェントがトピックの研究,コンテントの計画,ツール使用によるHTMLスライドのプロフェッショナルなプレゼンテーション生成を学習する,OpenEnv互換の強化学習環境を提案する。 本稿では, 構造検証, レンダリング品質評価, LLMに基づく美的評価, コンテンツ品質指標, および, 意図した目的をいかに忠実に生成するかを計測する逆仕様報酬を組み合わせた多成分報酬システムを提案する。 6つのモデルにまたがる48種類のビジネスブリーフの実験では、細調整された7Bモデルはクロードオプス4.6の品質の91.2%を達成し、ベースモデルよりも33.1%改善した。
  論文  参考訳（メタデータ） (2026-03-17T17:45:53Z)
• Ovis-U1 Technical Report [17.247107436040267]
  我々は,マルチモーダル理解,テキスト・ツー・イメージ生成,画像編集機能を統合した統一モデルであるOvis-U1を紹介する。 テキスト・画像生成では、それぞれ DPG-Bench と GenEval のベンチマークで 83.72 と 0.89 のスコアを出力する。 画像編集では、ImgEdit-BenchとGEdit-Bench-ENでそれぞれ4.00と6.42を達成している。
  論文  参考訳（メタデータ） (2025-06-29T00:40:17Z)
• AutoPresent: Designing Structured Visuals from Scratch [99.766901203884]
  エンド・ツー・エンドの画像生成とプログラム生成を様々なモデルでベンチマークする。 スライド生成用のコードと7kペアの命令でトレーニングされた8B LlamaベースのモデルであるAutoPresentを開発した。
  論文  参考訳（メタデータ） (2025-01-01T18:09:32Z)
• Enhancing Vision-Language Pre-training with Rich Supervisions [58.32877991201042]
  本稿では,ScreenShotsによる事前学習の強化(S4)を提案する。 S4は、大規模なWebスクリーンショットレンダリングのデータを使用したビジョンランゲージモデルのための、新しい事前トレーニングパラダイムである。 提案手法は,現在のスクリーンショット事前学習目標と比較して,9種類の下流タスクにおいて,画像からテキストまでのモデルの性能を著しく向上させる。
  論文  参考訳（メタデータ） (2024-03-05T22:14:58Z)
• LayoutLMv2: Multi-modal Pre-training for Visually-Rich Document Understanding [49.941806975280045]
  テキストとレイアウトの事前トレーニングは、視覚的に豊富な文書理解タスクで有効であることが証明されています。 テキスト,レイアウト,イメージをマルチモーダルフレームワークで事前学習することで,テキスト-bfLMv2を提示する。
  論文  参考訳（メタデータ） (2020-12-29T13:01:52Z)

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。