論文の概要: AD-Relight: Training-Free Banner Relighting via Illumination Translation with Diffusion Priors

• arxiv url: http://arxiv.org/abs/2604.24407v1
• Date: Mon, 27 Apr 2026 12:30:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-28 17:12:08.002499
• Title: AD-Relight: Training-Free Banner Relighting via Illumination Translation with Diffusion Priors
• Title（参考訳）: AD-relight: Diffusion Priorsを用いた照度変換によるトレーニングフリーバナーリライティング
• Authors: Rameshwar Mishra, A V Subramanyam,
• Abstract要約: 広告パーソナライズの重要な側面は、フレーム内の既存のリージョンをカスタムのPhotoshop生成バナーに置き換えることだ。 我々は,新しいPhotoshop生成広告バナーをリライトするために,拡散ベースのリライトモデルをテスト時に適応させる,新しいマルチステージトレーニングフリーフレームワークであるAD-Relightを紹介する。
• 参考スコア（独自算出の注目度）: 5.228101935101476
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The recent surge in content consumption through streaming services has driven a growing demand for personalized content. Personalized advertisements (ads) play a crucial role in enhancing both user engagement and ad effectiveness. A key aspect of ad personalization involves replacing existing regions in a frame with custom, Photoshop-generated banners. However, existing ad-placement pipelines typically rely on simple geometric warping, ignoring the scene's underlying lighting conditions. Similarly, state-of-the-art diffusion-based object insertion and relighting models struggle to accurately relight these newly inserted banners, as they are not trained on ad-banner data, and training such a model for ad banners would require millions of images. This highlights the need for an effective relighting framework that enables seamless integration of custom banners into the original scene. Motivated by this, we present AD-Relight, a novel multi-stage training-free framework that adapts a diffusion-based relighting model at test time to relight newly added Photoshop-generated ad banners. Through extensive evaluation, we demonstrate that AD-Relight outperforms both relighting baselines and existing ad-placement methods based on simple warping. User studies further show that participants consistently prefer the outputs of AD-Relight over those of prior approaches.
• Abstract（参考訳）: 最近のストリーミングサービスによるコンテンツ消費の増加は、パーソナライズされたコンテンツに対する需要を増大させている。 パーソナライズされた広告(ad)は、ユーザエンゲージメントと広告効果の両面で重要な役割を果たす。 広告パーソナライズの重要な側面は、フレーム内の既存のリージョンをカスタムのPhotoshop生成バナーに置き換えることだ。 しかし、既存のアドプレースメントパイプラインは通常、シーンの根底にある照明条件を無視して、単純な幾何学的なワープに依存している。 同様に、最先端の拡散ベースのオブジェクト挿入およびリライトモデルは、広告バナーデータに基づいてトレーニングされていないため、新しく挿入されたバナーを正確にリライトするのに苦労する。 これは、オリジナルのシーンにカスタムバナーをシームレスに統合できる効果的なリライトフレームワークの必要性を強調している。 そこで我々は,新しいPhotoshop生成広告バナーをリライトするために,拡散ベースのライティングモデルをテスト時に適応させる,新しいマルチステージトレーニングフリーフレームワークAD-Relightを提案する。 大規模な評価により,AD-Relightは,簡単なワープに基づいて,リライトベースラインと既存のアドプレースメント手法の両方に優れることを示した。 ユーザスタディは、参加者が従来のアプローチよりもAD-Relightのアウトプットを一貫して好んでいることを示している。

関連論文リスト

• Detecting RAG Advertisements Across Advertising Styles [24.080227437136585]
  大型言語モデル(LLM)のための広告スタイルの分類法を開発する。 我々は広告主が広告スタイルを変えて検出を回避しようとすることをシミュレートする。 我々は、その堅牢性に関して、様々な広告検出アプローチを評価した。
  論文  参考訳（メタデータ） (2026-03-05T08:16:21Z)
• PractiLight: Practical Light Control Using Foundational Diffusion Models [78.75949075070595]
  PractiLightは、生成された画像における光制御の実践的なアプローチである。 私たちの重要な洞察は、画像内のライティング関係は、自己注意層におけるトークンの相互作用と本質的に類似しているということです。 我々は,パラメータとデータ効率が証明された品質と制御の観点から,最先端の性能を実証する。
  論文  参考訳（メタデータ） (2025-09-01T23:38:40Z)
• LightSwitch: Multi-view Relighting with Material-guided Diffusion [73.5965603000002]
  LightSwitchは、新しいファインチューニングされたマテリアルライティング拡散フレームワークである。 我々の2Dリライティング予測品質は、画像から直接リライティングする過去の最先端リライティングよりも優れていることを示す。
  論文  参考訳（メタデータ） (2025-08-08T17:59:52Z)
• SAIGFormer: A Spatially-Adaptive Illumination-Guided Network for Low-Light Image Enhancement [58.79901582809091]
  近年, トランスフォーマーを用いた低照度化手法は, 世界照明の回復に有望な進展をもたらした。 近年, トランスフォーマーを用いた低照度化手法は, 世界照明の回復に有望な進展をもたらした。 正確な照明復元を可能にする空間適応照明誘導変圧器フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-07-21T11:38:56Z)
• BannerAgency: Advertising Banner Design with Multimodal LLM Agents [4.337357639279586]
  本稿では,完全自動バナー広告デザイン作成のためのトレーニングフリーフレームワークを提案する。 本稿では,BannerAgencyというMLLMエージェントシステムについて紹介する。 マッチングされた背景画像を生成し、前景のデザイン要素のための青写真を作成し、最終的な創造物をFigmaやSVGフォーマットで編集可能なコンポーネントとしてレンダリングする。
  論文  参考訳（メタデータ） (2025-03-14T03:54:05Z)
• CTR-Driven Advertising Image Generation with Multimodal Large Language Models [53.40005544344148]
  本稿では,Click-Through Rate (CTR) を主目的とし,マルチモーダル大言語モデル(MLLM)を用いた広告画像の生成について検討する。 生成した画像のCTRをさらに改善するため、強化学習(RL)を通して事前学習したMLLMを微調整する新たな報酬モデルを提案する。 本手法は,オンラインとオフラインの両方で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） (2025-02-05T09:06:02Z)
• AdSEE: Investigating the Impact of Image Style Editing on Advertisement Attractiveness [25.531489722164178]
  本稿では,広告画像のセマンティック編集がオンライン広告の人気に影響を与えるか,あるいは変化させるかを検討する。 そこで我々は,StyleGANに基づく顔のセマンティック編集と広告画像へのインバージョンを導入し,GANベースの顔の潜在表現をクリックレートに寄与させるクリックレート予測器を訓練した。 5日間にわたって行われたオンラインA/Bテストでは、AdSEE編集サンプルのクリックスルー率の増加が、オリジナルの広告のコントロールグループと比較された。
  論文  参考訳（メタデータ） (2023-09-15T04:52:49Z)
• ProSpect: Prompt Spectrum for Attribute-Aware Personalization of Diffusion Models [77.03361270726944]
  現在のパーソナライズ手法は、オブジェクトや概念をテキスト条件空間に反転させ、テキストから画像への拡散モデルのための新しい自然文を構成することができる。 本稿では,低周波情報から高周波画像を生成する拡散モデルのステップバイステップ生成プロセスを活用する新しい手法を提案する。 ProSpectは、画像誘導やテキスト駆動による材料、スタイル、レイアウトの操作など、パーソナライズされた属性認識画像生成アプリケーションに適用する。
  論文  参考訳（メタデータ） (2023-05-25T16:32:01Z)
• Recommending Themes for Ad Creative Design via Visual-Linguistic Representations [27.13752835161338]
  広告クリエイティブストラテジストのためのテーマ(キーワード)推薦システムを提案する。 テーマレコメンデータは、視覚的質問応答(VQA)タスクの結果の集約に基づく。 クロスモーダル表現は分類精度とランク付け精度を著しく向上させることを示した。
  論文  参考訳（メタデータ） (2020-01-20T18:04:10Z)

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。