Seeing Like a Designer Without One: A Study on Unsupervised Slide Quality Assessment via Designer Cue Augmentation

📄 arXiv: 2508.19289v1 📥 PDF

作者: Tai Inui, Steven Oh, Magdeline Kuan

分类: cs.CV, cs.AI

发布日期: 2025-08-25

备注: 6 pages

💡 一句话要点

提出无监督幻灯片质量评估方法以提升设计反馈

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 幻灯片评估 无监督学习 视觉设计指标 多模态嵌入 异常检测

📋 核心要点

  1. 现有的幻灯片质量评估方法往往依赖于人工标注，缺乏实时性和客观性，难以满足快速反馈的需求。
  2. 本文提出了一种结合视觉设计指标与CLIP-ViT嵌入的无监督评估方法，利用异常检测技术评估幻灯片质量。
  3. 实验结果显示，该方法在与人类评分的相关性上显著优于现有视觉语言模型，提升幅度达到1.79到3.23倍。

📝 摘要（中文）

本文提出了一种无监督的幻灯片质量评估管道，该方法结合了七种专家启发的视觉设计指标（如空白、色彩丰富度、边缘密度等）与CLIP-ViT嵌入，利用基于Isolation Forest的异常评分来评估演示幻灯片。该方法在12000张专业讲座幻灯片上进行训练，并在六场学术演讲（115张幻灯片）上进行评估，取得了与人类视觉质量评分的皮尔逊相关系数高达0.83，性能比领先的视觉语言模型（如ChatGPT和Claude Sonnet）提升了1.79到3.23倍。研究表明，低级设计线索与多模态嵌入的结合能够更接近观众对幻灯片质量的感知，从而实现实时、可扩展的客观反馈。

🔬 方法详解

问题定义：本文旨在解决现有幻灯片质量评估方法依赖人工标注的问题，导致评估过程不够实时和客观。现有方法在快速反馈和准确性方面存在明显不足。

核心思路：论文提出通过结合七种视觉设计指标与CLIP-ViT嵌入，利用无监督学习的方式进行幻灯片质量评估，从而实现实时、客观的反馈。

技术框架：整体架构包括数据预处理、特征提取、异常评分和结果评估四个主要模块。首先提取幻灯片的视觉特征，然后计算设计指标，最后通过Isolation Forest进行异常评分。

关键创新：最重要的创新在于将低级设计线索与多模态嵌入相结合，形成了一种新的评估框架，显著提高了与人类评分的相关性。与现有方法相比，该方法不再依赖于人工标注，具有更高的实用性。

关键设计：在参数设置上，选择了七种设计指标，并通过Isolation Forest算法进行异常检测。网络结构上，采用了CLIP-ViT模型进行特征提取，确保了多模态信息的有效融合。

📊 实验亮点

实验结果显示，所提方法在与人类视觉质量评分的皮尔逊相关性上达到了0.83，显著优于现有视觉语言模型，提升幅度在1.79到3.23倍之间。这表明该方法在幻灯片质量评估中具有较强的有效性和可靠性。

🎯 应用场景

该研究的潜在应用领域包括教育、企业培训和在线课程等场景，能够为幻灯片设计提供实时反馈，帮助用户优化演示效果。未来，该方法有望推广至更广泛的视觉内容评估领域，提升内容创作的质量和效率。

📄 摘要（原文）

We present an unsupervised slide-quality assessment pipeline that combines seven expert-inspired visual-design metrics (whitespace, colorfulness, edge density, brightness contrast, text density, color harmony, layout balance) with CLIP-ViT embeddings, using Isolation Forest-based anomaly scoring to evaluate presentation slides. Trained on 12k professional lecture slides and evaluated on six academic talks (115 slides), our method achieved Pearson correlations up to 0.83 with human visual-quality ratings-1.79x to 3.23x stronger than scores from leading vision-language models (ChatGPT o4-mini-high, ChatGPT o3, Claude Sonnet 4, Gemini 2.5 Pro). We demonstrate convergent validity with visual ratings, discriminant validity against speaker-delivery scores, and exploratory alignment with overall impressions. Our results show that augmenting low-level design cues with multimodal embeddings closely approximates audience perceptions of slide quality, enabling scalable, objective feedback in real time.