PaperFit: 과학 문서를 위한 시각 루프 기반 타이포그래피 최적화

다양한 도구가 소스 코드 차원의 오류를 탐지하지만 2D 레이아웃의 시각적 품질을 예측·검증하지 못한다. PaperFit은 렌더링 결과를 확인하는 시각적 폐쇄 루프를 도입해 페이지 예산과 시각적 품질을 동시에 달성하는 자동화 파이프라인을 제시한다. 대규모 벤치마크에서 컴파일/렌더링의 완전성, 높은 시각 품질, 페이지 예산 준수를 달성한다.

시작: LaTeX 소스의 문법적 성공은 렌더링의 시각적 품질과 일치하지 않는다. 원인 진단은 소스-로그-렌더링-페이지 이미지의 4계층 증거를 통합해 수행하며, 이를 바탕으로 정의된 5개 카테고리의 결함을 찾아내고, 레이아웃-네이티브/간격 조정/비허용 패스를 구분해 순차적으로 적용한다. 종료 기준은 컴파일/렌더링 성공, 페이지 예산 충족, 보호 객체 보존, 그리고 시각적 품질 향상으로 구성된다. PaperFit은 이 폐쇄 루프를 통해 2D 레이아웃의 cascading 효과까지 고려한 수정이 가능하며, 벤치마크에서 완벽한 컴파일/렌더링, 최상위 시각 품질, 페이지 예산 달성(예: PaperFit의 VLM 3.3907, Win 0.895, Page hit 0.805)을 보인다.

전체 프레임워크: Sense-를 통해 다중 소스 증거를 수집하고, Act-를 통해 제약된 수리 정책에 따라 수정하며, Verify-를 통해 체크리스트 게이트를 거쳐 다음 사이클로 진행하는 반복 탐색이다. 수식적으로는 x′를 최적화하여 비주얼 결함 점수를 최소화하되, COMPILE(x′, τ)=success, RENDER(x′, τ)=success, CONTENT(x′)⊇CONTENT(x), |PAGES(x′, τ)|=b 등의 제약을 만족하도록 한다. D(x′)는 렌더링된 페이지의 결함 집합이며, 각 결함은 카테고리 c(d), 위치 o, 심각도 r, 근거 e로 표현된다. 목적 함수는 시각적 결함 점수의 합 plus 출처 간 차이를 최소화하는 항으로 구성되고, 최종적으로 추천된 수정은 수정 거리 ∆(x, x′)를 최소로 하는 경향을 가진다.

주요 벤치마크에서 PaperFit은 모든 사례에서 컴파일/렌더링 성공을 달성했다(1.000). VLM 점수는 3.3907로 가장 높고, Win율은 0.895이다. Page hit은 0.805로 가장 높은 편이다. 비교군은 Perturbed(컴파일 0.58, 렌더 0.82, VLM 1.83, Win 0.00, Page hit 0.375), RuleLog(0.52, 0.76, 2.18, 0.38, 0.444), TextST(0.585, 0.585, 1.85, 0.28, 0.454), TextMR(0.61, 0.61, 2.16, 0.425, 0.623), VisualST(0.625, 0.625, 1.87, 0.295, 0.456) 및 VisualMR(0.975, 0.975, 2.80, 0.65, 0.549)이다. 따라서 PaperFit은 시각적 품질과 제약 충족 간의 최적 트레이드오프에서 가장 우수한 성능을 보인다.

구조: PaperFit은 Sense-Act-Verify의 세 축으로 구성된 폐쇄 루프 에이전트를 제시한다. Sense는 Source(.tex), Log(.log), PDF(.pdf), Page-image(.png) 신호를 합쳐 Defect Records를 생성한다. Act는 Defect Category별 우선순위를 가진 Repair Policy를 통해 Layout-native, Spacing-manipulative, Pseudo-fix의 세 계층으로 수리를 수행한다. Verify는 6단계 파이프라인(컴파일/로그 수집 → 신호 파싱 → 렌더링 → 다중 소스 증거 기반 진단 → 수리 적용 → 재컴파일/재렌더링) 후 Gatekeeper가 DONE/CONTINUE/BLOCKED를 판단한다. 최적화 수식은 Eq. (1)-(5)에 따라 정의되며, D(x′)의 각 요소는 c(d), o, r, e로 기술된다. 모델 백엔드는 4대 LLM(예: GPT-5.4, Claude Opus, DeepSeek-V4 Pro, MiMo-v2.5-pro) 간의 차이를 보이되, 모든 백엔드에서 VLM 스코어 3.5대 초반~3.7대 사이의 성능이 관찰된다. PaperFit-Bench의 200개 사례에서 PaperFit가 가장 높은 VLM 점수와 페이지 예산 달성률을 보였으며, 외부 시스템 대비 다중 소스 입력/레이아웃 수리/전체 문서 재검증의 결합으로 성능이 크게 개선된다.

본 연구의 Visual 평가 의존도는 VLM의 한계에 민감하다. 미세한 타이포그래피나 글자 간 간격과 같은 미세한 결함은 여전히 탐지 어려울 수 있다. 5–8개의 동시 결함이 있는 hard 케이스에서 페이지 예산 달성률이 약 70%로 떨어진다. 또한 영어 기반 LaTeX 프로젝트에 한정되어 있으며, 다른 언어의 문서에 일반화하려면 추가 연구가 필요하다. 다중 재컴파일 및 재렌더링은 단일 패스 대비 계산 비용이 증가한다.