[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

PosterGen 은 Parser , Curator , Layout , Stylist (Color & Font)의 4개 에이전트로 구성됩니다. Parser 는 PDF에서 텍스트와 시각 자료를 추출하고 ABT 내러티브 로 구조화하며, Curator 는 내러티브 기반 스토리보드를 생성합니다. Layout Agent 는 3단 레이아웃을 최적화하고 CSS-like 박스 모델 및 TextFrame Height Estimation 알고리즘 으로 공간을 정밀하게 조정하며, Stylist Agents 는 VLM 을 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 4 를 활용한 VLM 기반 평가 루브릭 으로 디자인 품질과 내용 충실도를 평가합니다.

주요 결과

PosterGen 은 내용 충실도 측면에서 PosterAgent 와 유사한 성능을 보이며 (GPT-4o 평가에서 평균 콘텐츠 점수 0.02점 차이), 시각 디자인 및 미학적 측면에서는 현저히 우수합니다. GPT-4o 평가에서 PosterGen 은 평균 디자인 점수가 0.18점 더 높아 4.44점 을 기록했으며, 특히 '테마 일관성'에서 +0.5점 , '스타일 일관성'에서 +0.4점 , '폰트 가독성'에서 4.90점 으로 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 LLM 의 강력한 가능성을 제시하며, 디자인 원칙을 에이전트 워크플로우에 직접 내장하는 접근 방식이 수동 조정 요구를 줄일 수 있음을 보여줍니다. VLM 기반 평가 루브릭 을 도입하여 생성된 시각적 콘텐츠의 객관적인 품질 평가를 가능하게 한 것은 AI 기반 디자인 도구의 신뢰성을 높이는 중요한 진전입니다. 궁극적으로 PosterGen 은 연구자들이 학술 포스터 제작에 소요되는 시간과 노력을 크게 줄여, 연구 내용 자체와 학술적 교류에 더욱 집중할 수 있도록 돕습니다.

⚠️ 알림: 이 리뷰는 AI로 작성되었습니다.