論文の概要: CREward: A Type-Specific Creativity Reward Model

• arxiv url: http://arxiv.org/abs/2511.19995v1
• Date: Tue, 25 Nov 2025 07:00:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-26 17:37:04.3208
• Title: CREward: A Type-Specific Creativity Reward Model
• Title（参考訳）: CREward: タイプ特有なクリエイティビティ・リワードモデル
• Authors: Jiyeon Han, Ali Mahdavi-Amiri, Hao Zhang, Haedong Jeong,
• Abstract要約: CREwardは3つの創造性軸、幾何学、素材、テクスチャにまたがるタイプ固有の創造性報酬モデルである。 大規模視覚言語モデル(LVLM)による人間の判断と予測の相関分析 創造性評価,説明可能な創造性,創造的サンプル取得の3つの応用を,人間のデザインインスピレーションと,低ランク適応による創造的生成の導出の両面から検討する。
• 参考スコア（独自算出の注目度）: 23.62496736021293
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Creativity is a complex phenomenon. When it comes to representing and assessing creativity, treating it as a single undifferentiated quantity would appear naive and underwhelming. In this work, we learn the \emph{first type-specific creativity reward model}, coined CREward, which spans three creativity ``axes," geometry, material, and texture, to allow us to view creativity through the lens of the image formation pipeline. To build our reward model, we first conduct a human benchmark evaluation to capture human perception of creativity for each type across various creative images. We then analyze the correlation between human judgments and predictions by large vision-language models (LVLMs), confirming that LVLMs exhibit strong alignment with human perception. Building on this observation, we collect LVLM-generated labels to train our CREward model that is applicable to both evaluation and generation of creative images. We explore three applications of CREward: creativity assessment, explainable creativity, and creative sample acquisition for both human design inspiration and guiding creative generation through low-rank adaptation.
• Abstract（参考訳）: 創造性は複雑な現象である。 創造性を表現し、評価することに関して言えば、それを単一の未分化の量として扱うことは、単純で圧倒されるように見える。 本研究では、画像形成パイプラインのレンズを通して創造性を見るために、3つの創造性である「axes」、幾何学、材料、テクスチャにまたがる「CREward」を作成した「emph{first type-specific creative reward model」を学習する。 報酬モデルを構築するために、まず人間による評価を行い、様々な創造的イメージのタイプごとの創造性に対する人間の認識を捉えます。 次に,LVLMによる人間の判断と予測の相関関係を分析し,LVLMが人間の知覚と強く一致していることを確認する。 この観測に基づいてLVLM生成ラベルを収集し,創造的画像の評価と生成の両方に適用可能なCREwardモデルをトレーニングする。 創造性評価,説明可能な創造性,創造的サンプル取得の3つの応用を,人間のデザインインスピレーションと,低ランク適応による創造的生成の導出の両面から検討する。

関連論文リスト

• Cooking Up Creativity: Enhancing LLM Creativity through Structured Recombination [46.79423188943526]
  本稿では,LLM(Large Language Models)の創造性を高める新しいアプローチを提案する。 自然言語と構造化表現の翻訳にLLMを適用し,その中心となる創造的飛躍を行う。 我々は、創造的なレシピを生成するモデルであるDishCOVERを用いて、料理分野における我々のアプローチを実証する。
  論文  参考訳（メタデータ） (2025-04-29T11:13:06Z)
• Probing and Inducing Combinational Creativity in Vision-Language Models [52.76981145923602]
  VLM(Vision-Language Models)の最近の進歩は、それらのアウトプットが組合せの創造性を反映しているかという議論を引き起こしている。 本稿では,創造的プロセスを3つのレベルに分解するIEIフレームワークを提案する。 このフレームワークを検証するために、IEIフレームワークに従って注釈付けされた666人のアーティストによる視覚マッシュアップの高品質データセットであるCreativeMashupをキュレートする。
  論文  参考訳（メタデータ） (2025-04-17T17:38:18Z)
• Leveraging Large Models to Evaluate Novel Content: A Case Study on Advertisement Creativity [25.460598990334077]
  ビジュアル広告の創造性を非定型性と独創性に分解しようと試みる。 このような主観的な問題に特化して,一連のタスクを提案する。 また,提案したベンチマークを用いて,最先端(SoTA)ビジョン言語モデル(VLM)と人間との整合性を評価する。
  論文  参考訳（メタデータ） (2025-02-26T04:28:03Z)
• Can AI Be as Creative as Humans? [84.43873277557852]
  理論的には、AIは人間の創造者によって生成されたデータに適切に適合できるという条件の下で、人間と同じくらい創造的になれることを証明しています。 AIの創造性に関する議論は、十分な量のデータに適合する能力の問題に縮小されている。
  論文  参考訳（メタデータ） (2024-01-03T08:49:12Z)

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。