論文の概要: Culture-Aware Humorous Captioning: Multimodal Humor Generation across Cultural Contexts

• arxiv url: http://arxiv.org/abs/2604.18091v1
• Date: Mon, 20 Apr 2026 11:08:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-21 21:52:52.824954
• Title: Culture-Aware Humorous Captioning: Multimodal Humor Generation across Cultural Contexts
• Title（参考訳）: 文化に配慮したユーモラス・キャプション:文化の文脈にまたがるマルチモーダル・ユーモア・ジェネレーション
• Authors: Run Xu, Lu Li, Rongzhao Zhang, Jie Xu,
• Abstract要約: 入力画像と対象文化コンテキストの両方に条件付きユーモラスなキャプションを生成するモデルを必要とする,新たなマルチモーダル生成タスクであるカルチャー対応ユーモラスキャプションを導入する。 本稿では,画像の関連性,文脈適合性,意味的豊かさ,合理的さ,ユーモア,創造性を6次元的に評価する枠組みを提案する。 実験の結果,提案手法は,特に文脈適合性が大きく向上し,文化制約下でのイメージ関連性とユーモアのバランスが良くなった。
• 参考スコア（独自算出の注目度）: 10.798870030280012
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recent multimodal large language models have shown promising ability in generating humorous captions for images, yet they still lack stable control over explicit cultural context, making it difficult to jointly maintain image relevance, contextual appropriateness, and humor quality under a specified cultural background. To address this limitation, we introduce a new multimodal generation task, culture-aware humorous captioning, which requires a model to generate a humorous caption conditioned on both an input image and a target cultural context. Captions generated under different cultural contexts are not expected to share the same surface form, but should remain grounded in similar visual situations or humorous rationales.To support this task, we establish a six-dimensional evaluation framework covering image relevance, contextual fit, semantic richness, reasonableness, humor, and creativity. We further propose a staged alignment framework that first initializes the model with high-resource supervision under the Western cultural context, then performs multi-dimensional preference alignment via judge-based GRPO with a Degradation-aware Prototype Repulsion Constraint to mitigate reward hacking in open-ended generation, and finally adapts the model to the Eastern cultural context with a small amount of supervision. Experimental results show that our method achieves stronger overall performance under the proposed evaluation framework, with particularly large gains in contextual fit and a better balance between image relevance and humor under cultural constraints.
• Abstract（参考訳）: 近年のマルチモーダルな大言語モデルでは、画像のユーモラスなキャプションを生成する上で有望な能力を示しているが、明確な文化的文脈に対する安定した制御はいまだに欠けており、特定の文化的背景の下で画像の関連性、文脈的適切性、ユーモラスな品質を共同で維持することは困難である。 この制限に対処するために,我々は,入力画像と対象文化コンテキストの両方に条件付きユーモラスなキャプションを生成するモデルを必要とする,新しいマルチモーダル生成タスク,カルチャー対応ユーモラスキャプションを導入した。 異なる文化的文脈下で生成されたキャプションは、同じ表面形態を共有することは期待されていないが、同様の視覚的状況やユーモラスな理性に根ざすべきであり、この課題を支援するために、画像の妥当性、文脈適合性、意味的豊かさ、合理的性、ユーモア、創造性を含む6次元評価枠組みを確立する。 さらに、まず、西洋文化の文脈下で、高いリソース管理でモデルを初期化する段階的なアライメント・フレームワークを提案し、その後、判断に基づくGRPOによる多次元の嗜好アライメントを、分解を意識したプロトタイプ・リプル・コントラスト(Prototype Repulsion Constraint)を用いて実行し、オープンエンド世代における報酬ハッキングを緩和し、最終的に少量の監督で東洋文化のコンテキストに適応させる。 実験の結果,提案手法は,特に文脈適合性が大きく向上し,文化制約下でのイメージ関連性とユーモアのバランスが良くなった。

関連論文リスト

• Where Culture Fades: Revealing the Cultural Gap in Text-to-Image Generation [43.352493955825736]
  現在のT2Iモデルは、多言語的なプロンプトの下で、文化的に中立な結果や英語に偏った結果をもたらすことが多い。 本稿では,培養感受性シグナルを少数の固定層内の小さなニューロン群に局在させる探索法を提案する。
  論文  参考訳（メタデータ） (2025-11-21T14:40:50Z)
• Vision Language Models are Confused Tourists [31.85723694463742]
  視覚言語モデル(VLM)の評価を目的とした,新しい文化的対人ロバストネススイートであるConfusedTouristを紹介する。 私たちの実験では、単純なイメージスタッキングの摂動の下で精度が大幅に低下し、画像生成に基づく変異によってさらに悪化する重大な脆弱性が明らかになりました。 これらの発見は、視覚的文化的概念の混合が、最先端のVLMさえも実質的に損なわれるという、重要な課題を浮き彫りにしている。
  論文  参考訳（メタデータ） (2025-11-21T07:14:46Z)
• Deconstructing Bias: A Multifaceted Framework for Diagnosing Cultural and Compositional Inequities in Text-to-Image Generative Models [3.6335172274433414]
  本稿では,CIS(Component Inclusion Score)を指標として,文化的文脈における画像生成の忠実度を評価する。 我々は、構成的脆弱性と文脈的不整合の観点からバイアスを定量化し、西洋と非西洋の文化的プロンプトの間に顕著なパフォーマンスのギャップを浮き彫りにする。
  論文  参考訳（メタデータ） (2025-04-05T06:17:43Z)
• Culture-TRIP: Culturally-Aware Text-to-Image Generation with Iterative Prompt Refinement [2.089922606370409]
  反復的プロンプトリファインメント(Culture-TRIP)を用いた文化的テキスト・画像生成手法を提案する。 提案手法は, カルチャー名詞に関連する文化的文脈と視覚的詳細を抽出する。 一連の文化的基準と大きな言語モデルに基づいて、反復的にプロンプトを洗練・評価する。
  論文  参考訳（メタデータ） (2025-02-24T06:56:56Z)
• XMeCap: Meme Caption Generation with Sub-Image Adaptability [53.2509590113364]
  社会的な意味や文化的な詳細に深く根ざした噂は、機械にとってユニークな挑戦である。 我々は、教師付き微調整と強化学習を採用するtextscXMeCapフレームワークを紹介した。 textscXMeCapは、シングルイメージのミームの平均評価スコアが75.85、マルチイメージのミームが66.32、それぞれ最高のベースラインが6.75%と8.56%を上回っている。
  論文  参考訳（メタデータ） (2024-07-24T10:51:46Z)
• Training-Free Consistent Text-to-Image Generation [80.4814768762066]
  テキスト・ツー・イメージ・モデルは様々なプロンプトで同じ主題を表現できる。 既存のアプローチは、特定のユーザが提供する主題を記述する新しい単語を教えるためにモデルを微調整する。 本研究では、事前学習モデルの内部アクティベーションを共有することによって、一貫した主題生成を可能にする、トレーニング不要なアプローチであるConsiStoryを提案する。
  論文  参考訳（メタデータ） (2024-02-05T18:42:34Z)

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。