PosterIQ：ポスター理解と生成のための設計観点ベンチマーク

Abstract

我々は、ポスター理解および生成のための、デザイン主導のベンチマークであるPosterIQを提示します。これは、構成構造、タイポグラフィ階層、意味意図にわたって注釈が付与されています。これには、7,765件の画像注釈インスタンスと、実在の専門的事例、合成事例を含む822件の生成プロンプトが含まれます。視覚デザインの認知と生成モデリングを橋渡しするために、レイアウト解析、テキスト-画像対応、タイポグラフィ／可読性およびフォント知覚、デザイン品質評価、そして比喩を伴う、制御可能で構成に配慮した生成のためのタスクを定義します。最先端のMLLMと拡散ベースの生成器を評価したところ、視覚的階層、タイポグラフィの意味論、注目（サリエンシー）の制御、意図の伝達において、継続的なギャップが見られました。商用モデルは高レベルの推論では優位ですが、鈍感な自動評価者のように振る舞います。一方で生成器はテキストをよく描画しますが、構成に配慮した合成は難しいことが分かります。広範な分析により、PosterIQが定量的ベンチマークであると同時に、デザイン推論のための診断ツールでもあることを示します。再現可能で、タスク固有の指標を提供します。我々は、モデルの創造性を触発し、人間中心のデザイン原則を生成ビジョン-言語システムに統合することを目指します。