面向支持排版设计的自动文本框放置
计算机视觉与模式识别
2025-10-10 v1
摘要
在广告和网页布局设计中，平衡视觉吸引力与沟通效率至关重要。本研究考察了在不完整布局中进行自动文本框放置的问题，比较了标准基于Transformer的方法、小型视觉语言模型（Phi3.5-vision）、大型预训练视觉语言模型（Gemini）以及处理多个图像的扩展Transformer。针对Crello数据集进行评估显示，标准基于Transformer的模型通常优于视觉语言模型方法，尤其在融合更丰富的外观信息后效果更佳。然而，所有方法在处理极小文本或密集布局时都面临挑战。这些发现凸显了任务特定架构的优势，并为后续在自动化布局设计方面的改进提供了思路。
引用
@article{arxiv.2510.07665,
title = {Automatic Text Box Placement for Supporting Typographic Design},
author = {Jun Muraoka and Daichi Haraguchi and Naoto Inoue and Wataru Shimoda and Kota Yamaguchi and Seiichi Uchida},
journal= {arXiv preprint arXiv:2510.07665},
year = {2025}
}