論文の概要: Enhancing Image Aesthetics with Dual-Conditioned Diffusion Models Guided by Multimodal Perception

• arxiv url: http://arxiv.org/abs/2603.11556v1
• Date: Thu, 12 Mar 2026 05:22:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-13 14:46:25.907129
• Title: Enhancing Image Aesthetics with Dual-Conditioned Diffusion Models Guided by Multimodal Perception
• Title（参考訳）: マルチモーダル知覚によるデュアルコンディション拡散モデルによる画像美意識の強化
• Authors: Xinyu Nan, Ning Wang, Yuyao Zhai, Mei Yang,
• Abstract要約: 画像の美的改善は、画像の美的欠陥を認識し、対応する編集操作を実行することを目的としている。 画像編集モデルの最近の進歩は、制御性と柔軟性を大幅に向上させたが、画像美学の強化に苦慮している。 マルチモーダルな美的知覚を持つ拡散型生成モデルであるDual-supervised Image Aesthetic Enhancement (DIAE)を提案する。
• 参考スコア（独自算出の注目度）: 6.873293280691424
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Image aesthetic enhancement aims to perceive aesthetic deficiencies in images and perform corresponding editing operations, which is highly challenging and requires the model to possess creativity and aesthetic perception capabilities. Although recent advancements in image editing models have significantly enhanced their controllability and flexibility, they struggle with enhancing image aesthetic. The primary challenges are twofold: first, following editing instructions with aesthetic perception is difficult, and second, there is a scarcity of "perfectly-paired" images that have consistent content but distinct aesthetic qualities. In this paper, we propose Dual-supervised Image Aesthetic Enhancement (DIAE), a diffusion-based generative model with multimodal aesthetic perception. First, DIAE incorporates Multimodal Aesthetic Perception (MAP) to convert the ambiguous aesthetic instruction into explicit guidance by (i) employing detailed, standardized aesthetic instructions across multiple aesthetic attributes, and (ii) utilizing multimodal control signals derived from text-image pairs that maintain consistency within the same aesthetic attribute. Second, to mitigate the lack of "perfectly-paired" images, we collect "imperfectly-paired" dataset called IIAEData, consisting of images with varying aesthetic qualities while sharing identical semantics. To better leverage the weak matching characteristics of IIAEData during training, a dual-branch supervision framework is also introduced for weakly supervised image aesthetic enhancement. Experimental results demonstrate that DIAE outperforms the baselines and obtains superior image aesthetic scores and image content consistency scores.
• Abstract（参考訳）: 画像の美的強調は、画像の美的欠陥を認識し、それに対応する編集操作を実行することを目的としており、これは非常に困難であり、創造性と美的知覚能力を保持する必要がある。 画像編集モデルの最近の進歩は、制御性と柔軟性を大幅に向上させたが、画像美学の強化に苦慮している。 主な課題は2つある: 第一に、審美的知覚を伴う編集指示に従うことは困難であり、第二に、一貫した内容を持つが、審美的特性が異なる「完璧にペアリングされた」画像が不足している。 本稿では,マルチモーダルな美的知覚を持つ拡散型生成モデルであるDual-supervised Image Aesthetic Enhancement (DIAE)を提案する。 第一に、DIAEはマルチモーダル審美知覚(MAP)を取り入れ、曖昧な審美指導を明示的指導に変換する。 (i)複数の美的属性にまたがる詳細で標準化された審美的指示を採用し、 二 同一の美的属性内で整合性を維持するテキストイメージ対から導出されるマルチモーダル制御信号を利用する。 第二に、完璧なペア画像の欠如を軽減するために、同一のセマンティクスを共有しながら、さまざまな美的特徴を持つ画像からなる「完璧なペア画像」データセット「IIAEData」を収集します。 トレーニング中のIIAEDataの弱いマッチング特性をよりよく活用するために、弱教師付き画像美的改善のためのデュアルブランチ監視フレームワークも導入された。 実験により、DIAEはベースラインよりも優れ、優れた画像美的スコアと画像内容整合性スコアが得られることが示された。

関連論文リスト

• Venus: Benchmarking and Empowering Multimodal Large Language Models for Aesthetic Guidance and Cropping [47.103757942619914]
  スマートフォンは写真撮影をユビキタスにしてきたが、一般ユーザーとプロの写真家の間には明らかなギャップが残っている。 我々は, 審美学において, 審美指導 (AG) は必須だが, ほとんど探索されていない領域として定義する。 私たちはAesGuideを紹介します。AesGuideはAGの最初の大規模データセットで、10,748枚の写真に美的スコア、分析、ガイダンスを付加したベンチマークです。 我々は,段階的に複雑な審美的質問を通じて,まずMLLMをAG能力で強化する2段階のフレームワークであるVenusを提案する。
  論文  参考訳（メタデータ） (2026-02-27T12:47:31Z)
• Bridging Cognitive Gap: Hierarchical Description Learning for Artistic Image Aesthetics Assessment [51.40989269202702]
  審美的品質評価タスクは,AIGCの定量的評価システムの開発に不可欠である。 本研究では,記述生成による美的次元の分離を図った芸術的画像の美的評価フレームワークであるArtQuantを提案する。 提案手法は,従来のトレーニングの33%しか必要とせず,いくつかのデータセット上での最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2025-12-29T12:18:26Z)
• Compose Your Aesthetics: Empowering Text-to-Image Models with the Principles of Art [61.28133495240179]
  本稿では,ユーザが特定した美学をT2I生成出力と整合させることを目的とした,美学アライメントの新しい課題を提案する。 アートワークが美学にアプローチするための貴重な視点を提供する方法にインスパイアされた私たちは、構成的枠組みのアーティストが採用する視覚的美学を定式化した。 我々は,T2I DMが,ユーザが特定したPoA条件により10の合成制御を効果的に提供することを実証した。
  論文  参考訳（メタデータ） (2025-03-15T06:58:09Z)
• Advancing Comprehensive Aesthetic Insight with Multi-Scale Text-Guided Self-Supervised Learning [14.405750888492735]
  Image Aesthetic Assessment (IAA) は、画像の美的価値を分析し評価する作業である。 IAAの伝統的な手法は、しばしば単一の美的タスクに集中し、ラベル付きデータセットが不十分である。 審美的洞察をニュアンス化した総合的審美的MLLMを提案する。
  論文  参考訳（メタデータ） (2024-12-16T16:35:35Z)
• VILA: Learning Image Aesthetics from User Comments with Vision-Language Pretraining [53.470662123170555]
  ユーザからのコメントから画像美学を学習し、マルチモーダルな美学表現を学習するための視覚言語事前学習手法を提案する。 具体的には、コントラスト的および生成的目的を用いて、画像テキストエンコーダ-デコーダモデルを事前訓練し、人間のラベルなしでリッチで汎用的な美的意味学を学習する。 以上の結果から,AVA-Captionsデータセットを用いた画像の美的字幕化において,事前学習した美的視覚言語モデルよりも優れていたことが示唆された。
  論文  参考訳（メタデータ） (2023-03-24T23:57:28Z)
• 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)

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。