京东零售广告创意：统一的布局生成和评估模型

主要观点总结

该论文介绍了MM2025的Uni-Layout项目，该项目旨在解决布局生成和评估中的一些问题。它整合了人类反馈，提出了一个统一的布局生成和评估系统。论文从背景及现状、如何实现跨任务的统一布局生成、如何模拟人类来评估布局、如何有效对齐人类反馈和布局生成以及实验结果等五个方面进行了详细介绍。

关键观点总结

关键观点1: Uni-Layout解决了布局生成的问题，通过整合人类反馈来提高布局生成的质量和效果。

Uni-Layout项目旨在解决布局生成中的任务特定性和评估标准与人类感知不一致的问题。它通过构建一个统一的生成器、模拟人类的评估器以及二者之间的对齐机制，来提高布局生成的质量和效果。

关键观点2: Uni-Layout实现了统一布局生成。

为了系统地统一当前分散的布局生成任务领域，Uni-Layout提出了一个基于两个维度的精心组织的分类法，并结合多模态大型语言模型（MLLMs）提出了一个统一的布局生成器。

关键观点3: Uni-Layout引入了人类反馈来评估布局。

为了弥补人类感知在布局设计中的重要性而现有数据集中缺乏人类反馈的缺口，Uni-Layout汇总了统一生成器的输出，并编制了Layout-HF100k数据集。基于这一数据集，它开发了一种评估器，该评估器能够模拟人类的判断模式，并提供与人类感知模式紧密对齐的可解释评估。

关键观点4: Uni-Layout通过动态边距偏好优化（DMPO）实现了生成器和评估器的有效对齐。

现有的对齐方法存在一些问题，如未能反映人类偏好的不同程度。为了解决这一问题，Uni-Layout提出了DMPO技术，该技术能够更好地捕捉人类判断的范围，从而实现与布局生成和人类偏好的更精确对齐。

关键观点5: Uni-Layout的实验结果显著优于其他方法。

论文的实验结果证明了Uni-Layout的有效性。与一些领先的闭源模型（如GPT-4o、Claude3.5等）和开源的多模态大语言模型（MLLMs）相比，Uni-Layout在布局评估和生成任务上的性能表现更加出色。