学习生成科学论文海报

研究人员经常以海报的形式总结他们的工作。海报提供了一种连贯且高效的方式来传达科学论文的核心思想。然而，生成一份好的科学海报是一项复杂且耗时的认知任务，因为此类海报需要可读、信息丰富且视觉美观。在本文中，我们首次研究了从科学论文中学习生成海报这一具有挑战性的问题。为此，提出了一种利用图模型的数据驱动框架。具体而言，给定要展示的内容，从数据中学习并推断好海报的关键元素，包括面板布局以及每个面板的属性。然后，给定推断出的布局和属性，合成每个面板内图形元素的组合。为了学习和验证我们的模型，我们收集并公开了一个 Poster-Paper 数据集，该数据集由科学论文和相应的海报组成，其中面板和属性均被详尽地标注。定性和定量结果表明了我们的方法的有效性。