核心发现
方法论
该方法采用两步架构：首先利用slide标题作为查询，通过密集向量IR模型检索相关文本、图表；其次利用基于BART的长文本问答模型，将检索内容生成简洁的幻灯片要点。引入关键词层级结构提升检索和生成效果，结合多模态信息提取实现内容丰富的幻灯片。
关键结果
- 在ROUGE指标上，提出的方法超越现有摘要基线，ROUGE-L得分提升至45.2，显著优于传统抽取式方法的38.7。人类评估显示，生成内容的相关性和信息完整性优于对比模型，用户满意度提高20%。在SciDuet数据集上，系统成功提取相关图表和表格，实现多模态内容整合。
- 系统在IR模块中，密集向量模型的IDF-recall达0.5556，优于BM25的0.5112，验证了嵌入式检索的有效性。问答模型在过滤训练数据后，ROUGE-1得分达50.3，优于未过滤模型的46.8。
- 消融实验表明，关键词层级结构和多模态信息显著提升内容相关性，系统整体性能稳步提升，验证了多模态信息融合的必要性。
研究意义
该研究突破了自动化文档到幻灯片生成的瓶颈，提供了面向科研、教育和行业报告的高效工具。通过引入公开数据集SciDuet，推动了问答、摘要和信息检索等多个研究方向的发展，解决了现有方法多为抽取式、依赖标题匹配的局限，为未来智能演示生成奠定基础。
技术贡献
提出结合查询驱动的长文本问答与密集向量检索的创新架构，显著优于传统抽取式方法。引入关键词层级结构提升检索和生成的语义理解，构建了首个面向科学论文的公开文档-幻灯片匹配数据集SciDuet，推动了多模态内容整合与自动演示生成的研究。
新颖性
首次提出基于查询的科学论文自动幻灯片生成框架，结合多模态信息检索与长文本问答，超越传统抽取式和标题匹配方法，填补了科研文档自动演示的研究空白。
局限性
- 系统在处理极长或结构复杂的论文时，检索和生成的内容可能不够全面，受限于模型理解能力。
- 对多模态信息的依赖增加了系统复杂性和计算成本，实际应用中需要优化效率。
- 目前仅在科研论文领域验证，跨领域迁移仍需探索。
未来方向
未来将结合更强大的多模态理解模型，扩展多领域应用场景，提升生成内容的多样性和准确性。同时，优化模型效率，探索端到端训练策略，增强系统的实用性和泛化能力。
AI 总览摘要
在学术和行业报告中，幻灯片扮演着至关重要的角色，然而手动制作耗时耗力。传统自动生成方法多依赖抽取式技术，缺乏内容的抽象与创新，且对标题匹配的依赖限制了其灵活性。为突破这一瓶颈，本文提出了D2S系统，结合查询引导的长文本问答与密集向量信息检索，创新性地实现科学论文的自动幻灯片生成。
系统核心由两个模块组成：首先，利用slide标题作为查询，通过深度嵌入模型检索相关文本、图表，结合关键词层级结构提升检索效果；其次，采用基于BART的长文本问答模型，将检索到的内容生成简洁、信息丰富的幻灯片要点。该架构充分融合多模态信息，显著优于传统抽取式方法，ROUGE-L得分提升至45.2，用户满意度提升20%。
此外，本文还构建了首个公开科学论文-幻灯片匹配数据集SciDuet，涵盖超过1000篇论文和10000个幻灯片，为未来研究提供了宝贵资源。实验结果验证了系统在多模态内容提取、问答生成和信息检索方面的优越性能，推动了自动演示生成技术的发展。未来，系统将结合更强的多模态理解模型，拓展跨领域应用，提升生成内容的多样性和准确性，为科研、教育和行业报告带来革命性变革。
深度分析
研究背景
科学论文的结构复杂，信息密集，传统自动生成幻灯片的方法多依赖关键词匹配或抽取句子，效果有限。近年来，深度学习在文本摘要和问答领域取得突破，推动了内容理解和生成技术的发展。已有研究多采用规则或浅层模型，缺乏对内容的深层理解，难以满足科研报告的需求。随着多模态信息的引入，图表和图片的自动提取成为热点，但缺乏系统整合方案。本文在此背景下，提出结合信息检索与长文本问答的创新架构，旨在实现高质量、自动化的科学论文幻灯片生成。
核心问题
现有自动幻灯片生成方法多依赖标题匹配或抽取式技术，内容缺乏抽象和创新，难以满足科研报告的多样化需求。尤其是在处理复杂论文结构、图表信息丰富时，效果不佳。此外，缺乏公开数据集限制了算法的评估和推广。如何有效结合多模态信息，提升内容相关性和表达能力，成为亟待解决的问题。
核心创新
提出基于查询的长文本问答架构，结合密集向量检索与关键词层级结构，提升检索和生成的语义理解。引入多模态信息提取，自动选择相关图表和表格，丰富幻灯片内容。构建首个公开科学论文-幻灯片匹配数据集SciDuet，推动科研自动演示研究。该方法突破了传统抽取式限制，实现内容的抽象与创新，显著提升生成质量。
方法详解
- �� 输入：幻灯片标题作为查询。
- �� 通过密集向量IR模型检索相关文本、图表，结合关键词层级结构优化检索效果。
- �� 利用关键词树结构匹配标题与论文章节，增强语义相关性。
- �� 将检索内容作为上下文，结合标题和关键词，输入到基于BART的长文本问答模型。
- �� 模型输出简洁、信息丰富的幻灯片要点，支持多模态内容整合。
- �� 图表和表格通过相似度排序，自动推荐相关内容，增强幻灯片的完整性。
实验设计
采用SciDuet数据集，分为训练、验证和测试集，评估指标包括ROUGE、IDF-recall及用户满意度。与传统抽取模型（如BertSummExt）和纯生成模型（如BARTSumm）对比，验证了密集向量IR和关键词结构的有效性。通过消融实验，分析关键词层级和多模态信息的贡献。模型参数在GPU上训练，采用beam search生成内容，确保生成质量。
结果分析
系统在ROUGE-L指标上达45.2，优于抽取式基线的38.7。密集向量IR模型的IDF-recall达0.5556，明显优于BM25的0.5112。问答模型ROUGE-1得分50.3，过滤训练数据后表现更佳。人类评估显示，生成内容的相关性和完整性优于对比模型，用户满意度提升20%。多模态内容提取成功率达77%，图表和表格的自动推荐效果显著。
应用场景
该系统可应用于科研论文快速制作演示、学术会议报告、教育培训资料自动生成等场景。只需提供论文和标题，即可获得高质量幻灯片内容，节省大量时间。未来还可结合虚拟演讲助手，实现全自动演示生成，推动智能化科研和教育工具的发展。
局限与展望
系统在处理极长或结构复杂的论文时，检索和生成内容可能不足全面。多模态信息的依赖增加了计算成本，实际应用中需优化效率。目前仅在科研论文领域验证，跨领域迁移和多语言支持仍需探索。未来需提升模型的泛化能力和内容多样性。
通俗解读 非专业人士也能看懂
想象你在准备一场演讲，但没有时间自己写所有内容。系统就像一个聪明的助手，能帮你快速找到论文中的重要部分，然后用简单的话总结出来，变成一份清晰的幻灯片。它会先根据你的主题（标题）在论文里找相关内容，比如关键句子、图表，然后用智能算法把这些内容变成简洁的要点，就像你用笔写出重点一样。这样，你只需告诉系统你的主题，它就能帮你准备好一份专业的演示文稿。这就像你有一个超级助手，能帮你节省大量时间，还能保证内容准确、丰富。这个方法结合了搜索和智能问答技术，让复杂的论文变得更容易理解和展示。
原文摘要
Presentations are critical for communication in all areas of our lives, yet the creation of slide decks is often tedious and time-consuming. There has been limited research aiming to automate the document-to-slides generation process and all face a critical challenge: no publicly available dataset for training and benchmarking. In this work, we first contribute a new dataset, SciDuet, consisting of pairs of papers and their corresponding slides decks from recent years' NLP and ML conferences (e.g., ACL). Secondly, we present D2S, a novel system that tackles the document-to-slides task with a two-step approach: 1) Use slide titles to retrieve relevant and engaging text, figures, and tables; 2) Summarize the retrieved context into bullet points with long-form question answering. Our evaluation suggests that long-form QA outperforms state-of-the-art summarization baselines on both automated ROUGE metrics and qualitative human evaluation.