From Pixels to Policies: Reinforcing Spatial Reasoning in Language Models for Content-Aware Layout Design

Created by

Haebom

저자

Sha Li, Stefano Petrangeli, Yu Shen, Xiang Chen

💡 개요

본 논문은 대규모 언어 모델(LLM)이 그래픽 레이아웃 디자인에서 명확하고 해석 가능한 공간 추론 능력을 갖추도록 하는 강화 학습 프레임워크인 LaySPA를 제안합니다. LaySPA는 픽셀 수준이 아닌, 캔버스 기하학, 요소 속성, 요소 간 관계를 명시적으로 인코딩하는 구조화된 텍스트 기반 공간 환경에서 정책 학습 문제로 레이아웃 디자인을 재구성합니다. 이를 통해 설계 결정 과정의 투명성과 제어 가능성을 높이고, 실험 결과 구조적 유효성과 시각적 품질을 향상시키며, 적은 학습 데이터와 짧은 지연 시간으로 최신 기술을 능가하는 성능을 보였습니다.

🔑 시사점 및 한계

•

LLM이 텍스트 기반의 구조화된 공간 환경에서 정책 학습을 통해 명확하고 해석 가능한 공간 추론 능력을 확보할 수 있음을 보여주었습니다.

•

설계 결정 과정을 해석 가능한 추론 흔적과 구조화된 레이아웃 사양으로 분리하여, 투명하고 제어 가능한 디자인 의사 결정을 가능하게 합니다.

•

레이아웃 품질을 기하학적 유효성, 관계적 일관성, 미적 일관성으로 분해하는 다중 목표 공간 비평을 통해 학습 안정성을 높이고, 적은 학습 샘플과 짧은 지연 시간으로도 우수한 성능을 달성했습니다.

•

복잡하고 개방적인 디자인 공간에서의 학습 안정성을 더욱 향상시키고, 다양한 레이아웃 디자인 작업으로 확장하는 연구가 필요합니다.

PDF 보기

Made with Slashpage