論文の概要: Modeling, Quantifying, and Predicting Subjectivity of Image Aesthetics

• arxiv url: http://arxiv.org/abs/2208.09666v1
• Date: Sat, 20 Aug 2022 12:16:45 GMT
• ステータス: 処理完了
• システム内更新日: 2022-08-23 13:18:06.062123
• Title: Modeling, Quantifying, and Predicting Subjectivity of Image Aesthetics
• Title（参考訳）: 画像美学の主観性をモデル化、定量化し、予測する
• Authors: Hyeongnam Jang, Yeejin Lee and Jong-Seok Lee
• Abstract要約: 本稿では,主観的美的嗜好をモデル化し,その主観的論理に基づいて定量化できる統一確率的枠組みを提案する。 この枠組みでは、評価分布をベータ分布としてモデル化し、確実に喜ぶ可能性、確実に不幸であり、不確実である可能性を得ることができる。 本稿では,画像美学の予測のための深層ニューラルネットワークの学習手法を提案する。
• 参考スコア（独自算出の注目度）: 21.46956783120668
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Assessing image aesthetics is a challenging computer vision task. One reason is that aesthetic preference is highly subjective and may vary significantly among people for certain images. Thus, it is important to properly model and quantify such \textit{subjectivity}, but there has not been much effort to resolve this issue. In this paper, we propose a novel unified probabilistic framework that can model and quantify subjective aesthetic preference based on the subjective logic. In this framework, the rating distribution is modeled as a beta distribution, from which the probabilities of being definitely pleasing, being definitely unpleasing, and being uncertain can be obtained. We use the probability of being uncertain to define an intuitive metric of subjectivity. Furthermore, we present a method to learn deep neural networks for prediction of image aesthetics, which is shown to be effective in improving the performance of subjectivity prediction via experiments. We also present an application scenario where the framework is beneficial for aesthetics-based image recommendation.
• Abstract（参考訳）: 画像美学の評価はコンピュータビジョンの課題である。 一つの理由は、美的嗜好が極めて主観的であり、特定の画像に対して人によって大きく異なる可能性があるからである。 したがって、そのような \textit{subjectivity} を適切にモデル化し、定量化することが重要であるが、この問題を解決する努力は多くない。 本稿では,主観論理に基づく主観的美的嗜好をモデル化し,定量化する,新しい統一確率的枠組みを提案する。 この枠組みでは、評価分布をベータ分布としてモデル化し、確実に喜ぶ可能性、確実に不幸であり、不確実である可能性を得ることができる。 主観性の直観的な計量を定義するのに不確実である確率を使う。 さらに,画像美観予測のための深層ニューラルネットワークを学習する手法を提案し,実験による主観予測の性能向上に有効であることを示した。 また,このフレームワークが審美的イメージレコメンデーションに有用なアプリケーションシナリオを提案する。

関連論文リスト

• Aligning Vision Models with Human Aesthetics in Retrieval: Benchmarks and Algorithms [91.19304518033144]
  検索システムにおける視覚モデルと人間の審美基準の整合を図る。 本研究では、視覚モデルと人間の美学をよりよく整合させるために、視覚モデルを微調整する嗜好に基づく強化学習手法を提案する。
  論文  参考訳（メタデータ） (2024-06-13T17:59:20Z)
• Impressions: Understanding Visual Semiotics and Aesthetic Impact [66.40617566253404]
  画像のセミオティックスを調べるための新しいデータセットであるImpressionsを提示する。 既存のマルチモーダル画像キャプションと条件付き生成モデルは、画像に対する可視的応答をシミュレートするのに苦労していることを示す。 このデータセットは、微調整と少数ショット適応により、画像の印象や美的評価をモデル化する能力を大幅に改善する。
  論文  参考訳（メタデータ） (2023-10-27T04:30:18Z)
• Multi-task convolutional neural network for image aesthetic assessment [0.0]
  美的属性を考慮したマルチタスク畳み込みニューラルネットワークを提案する。 提案したニューラルネットワークは、画像の全体的な美的スコアとともに属性を共同で学習する。 我々は,スピアマンのランク相関を考慮に入れた場合,全身の美的スコアからほぼ人間に近いパフォーマンスを得る。
  論文  参考訳（メタデータ） (2023-05-16T11:56:02Z)
• Aesthetic Visual Question Answering of Photographs [15.83390933825182]
  本稿では,画像の美的視覚的質問と回答(AVQA)という,美的言語評価の新しい課題を提案する。 目的QAペアは、提案した美的属性分析アルゴリズムによって生成される。 我々は,72,168の高品質画像と324,756対の審美的質問を含む,最初の審美的視覚的質問応答データセットであるAesVQAを構築した。
  論文  参考訳（メタデータ） (2022-08-10T07:27:57Z)
• Composition and Style Attributes Guided Image Aesthetic Assessment [66.60253358722538]
  本稿では,画像の美学を自動予測する手法を提案する。 提案ネットワークには,意味的特徴抽出のための事前学習ネットワーク(Backbone)と,画像属性の予測にBackbone機能に依存するマルチレイヤパーセプトロン(MLP)ネットワーク(AttributeNet)が含まれる。 画像が与えられた場合、提案するマルチネットワークは、スタイルと構成属性、および美的スコア分布を予測できる。
  論文  参考訳（メタデータ） (2021-11-08T17:16:38Z)
• A Hypothesis for the Aesthetic Appreciation in Neural Networks [17.58003267114874]
  本稿では,ニューラルネットワークが有能な概念を強化し,感覚的概念を捨てる,という美的評価の仮説を提案する。 実験では,修正された画像は原画像よりもある程度美的であることが判明した。
  論文  参考訳（メタデータ） (2021-07-31T06:19:00Z)
• What Image Features Boost Housing Market Predictions? [81.32205133298254]
  本稿では,予測アルゴリズムにおける効率的な数値包摂のための視覚特徴抽出手法を提案する。 本稿では,シャノンのエントロピー,重心計算,画像分割,畳み込みニューラルネットワークなどの手法について論じる。 ここで選択された40の画像特徴のセットは、かなりの量の予測能力を持ち、最も強力なメタデータ予測器よりも優れています。
  論文  参考訳（メタデータ） (2021-07-15T06:32:10Z)
• User-Guided Personalized Image Aesthetic Assessment based on Deep Reinforcement Learning [64.07820203919283]
  本稿では,新しいユーザガイド型画像美観評価フレームワークを提案する。 深部強化学習(DRL)に基づく審美評価のためのユーザインタラクションを活用して画像のリタッチとランク付けを行う パーソナライズされた審美分布は、異なるユーザの審美的嗜好とより一致している。
  論文  参考訳（メタデータ） (2021-06-14T15:19:48Z)
• A Deep Drift-Diffusion Model for Image Aesthetic Score Distribution Prediction [68.76594695163386]
  画像から美的スコアの分布を予測するために,心理学者から着想を得たディープドリフト拡散モデルを提案する。 DDDモデルは、評価結果の伝統的なモデリングではなく、美的知覚の心理的プロセスを記述することができる。 私たちの新しいDDDモデルはシンプルだが効率的であり、美的スコア分布予測における最先端の手法よりも優れています。
  論文  参考訳（メタデータ） (2020-10-15T11:01:46Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。