[논문리뷰] PosterGen: Aesthetic-Aware Paper-to-Poster Generation via Multi-Agent LLMs

링크: 논문 PDF로 바로 열기

저자: Zhilin Zhang, Xiang Zhang, Jiaqi Wei, Yiwei Xu, Chenyu You

핵심 연구 목표

기존 학술 포스터 자동 생성 방식은 미학적 원칙을 간과하여 수동 수정이 많이 필요하다는 문제에 직면합니다. 본 논문은 전문 디자이너의 워크플로우를 모방하는 PosterGen 멀티 에이전트 LLM 프레임워크를 통해 미학적으로 우수하고 내용이 충실하며, 최소한의 수동 조정으로 발표 준비가 가능한 포스터를 자동 생성하는 것을 목표로 합니다.

핵심 방법론

PosterGen은 Parser, Curator, Layout, Stylist (Color & Font)의 4개 에이전트로 구성됩니다. Parser는 PDF에서 텍스트와 시각 자료를 추출하고 ABT 내러티브로 구조화하며, Curator는 내러티브 기반 스토리보드를 생성합니다. Layout Agent는 3단 레이아웃을 최적화하고 CSS-like 박스 모델 및 TextFrame Height Estimation 알고리즘으로 공간을 정밀하게 조정하며, Stylist Agents는 VLM을 활용한 테마 색상 추출, WCAG 4.5:1 대비 비율 준수, 계층적 타이포그래피(볼드체, 이탤릭체, 대비 색상)를 적용합니다. 생성된 포스터는 GPT-4o 및 Claude Sonnet 4를 활용한 VLM 기반 평가 루브릭으로 디자인 품질과 내용 충실도를 평가합니다.

주요 결과

PosterGen은 내용 충실도 측면에서 PosterAgent와 유사한 성능을 보이며 (GPT-4o 평가에서 평균 콘텐츠 점수 0.02점 차이), 시각 디자인 및 미학적 측면에서는 현저히 우수합니다. GPT-4o 평가에서 PosterGen은 평균 디자인 점수가 0.18점 더 높아 4.44점을 기록했으며, 특히 ‘테마 일관성’에서 +0.5점, ‘스타일 일관성’에서 +0.4점, ‘폰트 가독성’에서 4.90점으로 최고 점수를 달성했습니다. GPT-4o 이미지 생성 방식은 내용 환각 및 레이아웃 문제로 인해 멀티 에이전트 방식보다 지속적으로 저조한 성능을 보였습니다.

AI 실무자를 위한 시사점

이 연구는 복잡한 시각적 디자인과 내용 요약/구성을 통합하는 멀티 에이전트 LLM의 강력한 가능성을 제시하며, 디자인 원칙을 에이전트 워크플로우에 직접 내장하는 접근 방식이 수동 조정 요구를 줄일 수 있음을 보여줍니다. VLM 기반 평가 루브릭을 도입하여 생성된 시각적 콘텐츠의 객관적인 품질 평가를 가능하게 한 것은 AI 기반 디자인 도구의 신뢰성을 높이는 중요한 진전입니다. 궁극적으로 PosterGen은 연구자들이 학술 포스터 제작에 소요되는 시간과 노력을 크게 줄여, 연구 내용 자체와 학술적 교류에 더욱 집중할 수 있도록 돕습니다.

⚠️ 알림: 이 리뷰는 AI로 작성되었습니다.