來看一個PPT生成思路：PPTAgent。傳統的PPT生成方法通常使用端到端的文本生成范式，這種方法僅關注文本內容，忽略了布局設計和PPT結構。PPTAgent 采用了一種基于編輯的生成范式，解決處理空間關系和設計風格方面的挑戰。

傳統方法的每個幻燈片  可以用以下公式表示：

方法

PPTAgent框架

在本文中，PPTAgent 是一個用于自動生成PPT的框架。采用基于編輯的工作流程，分為兩個階段：PPT分析和PPT生成。

階段 I: PPT分析

主要目標是通過幻燈片聚類和內容schema提取，為PPT生成提供結構化和語義化的參考信息。這一階段的結果將直接影響后續階段的生成質量和效率。

• 幻燈片聚類

幻燈片聚類（層次聚類）是將參考PPT中的幻燈片按照其功能和內容進行分組的過程。幻燈片可以分為兩大類：聚類算法：

圖片

• 層次聚類

聚類示例

a.結構性幻燈片：這些幻燈片主要用于支持演示文稿的結構，例如開場幻燈片、過渡幻燈片和結束幻燈片。對于此類幻燈片，PPTAgent利用LLM推斷每個幻燈片的功能角色，并根據這些角色進行分組。這些幻燈片通常具有明顯的文本特征。

b.內容性幻燈片：這些幻燈片主要用于傳達具體的信息，例如包含項目符號、圖表和圖像的幻燈片。對于此類幻燈片，PPTAgent采用基于圖像相似性的層次聚類方法。通過計算幻燈片之間的圖像相似度，將相似的幻燈片歸為一組。

• 內容Schema提取
  完成幻燈片聚類后，PPTAgent進一步分析每個聚類的內容Schema，以確保編輯的目標一致性。由于現實世界中的幻燈片可能非常復雜且碎片化，PPTAgent利用LLM的上下文感知能力提取多樣化的內容Schema。PPTAgent定義了一個內容Schema提取框架，其中每個元素由其類別、模態和內容表示。基于這個框架，PPTAgent通過LLM的指令遵循（原文給出了相關prompts）和結構化輸出能力，從每個幻燈片中提取內容Schema。提取過程如下：

a.類別：描述元素的類型，例如文本框、圖像等。

b.模態：描述元素的呈現方式，例如純文本、帶圖形的文本等。

c.內容：描述元素的具體內容，例如文本內容或圖像的替代文本。

階段 II：PPT生成

圖片

第二階段是基于第一階段的分析結果，生成新的PPT。這一階段的核心是通過交互式的編輯過程，利用參考幻燈片和輸入文檔生成目標PPT。步驟包括：生成一個結構化的大綱，指定每個幻燈片的參考幻燈片和相關內容；使用LLMs迭代編輯參考幻燈片以生成新幻燈片；實現五個專門的API，允許LLMs編輯、刪除和復制文本元素，以及編輯和移除視覺元素。

大綱生成：大綱生成是根據人類偏好，指導LLM創建一個結構化的大綱。每個條目指定參考幻燈片、相關文檔部分索引以及新幻燈片的標題和描述。通過利用LLM的規劃和總結能力，結合從參考PPT中提取的語義信息，生成一個連貫且吸引人的大綱，從而指導新PPT的生成過程。

幻燈片生成：幻燈片生成是在大綱的指導下，通過迭代編輯參考幻燈片來生成新幻燈片的過程。為了實現對幻燈片元素的精確操作，PPTAgent實現了五個專門的API，允許LLM編輯、刪除和復制文本元素，以及編輯和刪除視覺元素。此外，為了增強對幻燈片結構的理解，PPTAgent將幻燈片從其原始XML格式轉換為HTML表示，這種表示形式更易于LLM解釋。

實驗

評價指標，現有的指標包括：

• 成功率（Success Rate, SR）
• 困惑度（Perplexity, PPL）
• Fréchet Inception Distance（FID）

PPTEval指標包括：

• 內容（Content）
• 設計（Design）
• 連貫性（Coherence）
• 平均分（Avg.）

這些指標用于評估生成的PPT在不同維度上的質量。

參考文獻

PPTAgent: Generating and Evaluating Presentations Beyond Text-to-Slides，https://arxiv.org/pdf/2501.03936v1