論文の概要: MooD: An Efficient VA-Driven Affective Image Editing Framework via Fine-Grained Semantic Control

• arxiv url: http://arxiv.org/abs/2605.02521v1
• Date: Mon, 04 May 2026 12:22:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-05 20:33:50.279259
• Title: MooD: An Efficient VA-Driven Affective Image Editing Framework via Fine-Grained Semantic Control
• Title（参考訳）: MooD: 細粒度セマンティック制御による効率的なVA駆動イメージ編集フレームワーク
• Abstract要約: Affective Image editing (AIE)は、視覚的コンテンツを編集して、ターゲットの感情を誘発することを目的としている。 このフレームワークは, 連続バレンサルーサル(VA)値を直接活用して, 微細で効率的なAIEを実現する。
• 参考スコア（独自算出の注目度）: 6.7122126781526745
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Affective image editing (AIE) aims to edit visual content to evoke target emotions. However, existing methods often overlook inference efficiency and predominantly depend on discrete emotion representations, which to some extent limits their practical applicability and makes it challenging to capture complex and subtle human emotions. To tackle these gaps, we propose MooD, the first framework that directly leverages continuous Valence-Arousal (VA) values for fine-grained and efficient AIE. Specifically, we first introduce a VA-Aware retrieval strategy to bridge vague affective values and concrete visual semantics. Building upon this, MooD integrates visual transfer and semantic guidance to achieve controllable AIE. Furthermore, we construct AffectSet, a VA-annotated dataset to support model optimization and evaluation. Extensive qualitative and quantitative experimental results demonstrate that our MooD achieves superior performance in both affective controllability and visual fidelity while maintaining high efficiency. A series of ablation studies further reveal the crucial factors of our design. Our code and data will be made publicly open soon.
• Abstract（参考訳）: Affective Image editing (AIE)は、視覚的コンテンツを編集して、ターゲットの感情を誘発することを目的としている。 しかし、既存の方法は推論効率を過小評価することが多く、主に離散的な感情表現に依存しており、それはその実践的適用性をある程度制限し、複雑で微妙な人間の感情を捉えるのを困難にしている。 これらのギャップに対処するため、我々は、連続的Valence-Arousal(VA)値をきめ細かなAIEに直接活用する最初のフレームワークであるMooDを提案する。 具体的には、まず、あいまいな感情値と具体的な視覚的意味論を橋渡しするVA-Aware検索戦略を導入する。 これに基づいて、MooDは視覚伝達とセマンティックガイダンスを統合して、制御可能なAIEを実現する。 さらに、モデル最適化と評価をサポートするVAアノテーション付きデータセットであるAffectSetを構築した。 広汎な定性的および定量的実験により,MooDは高い効率を維持しつつ,情動制御性と視覚的忠実性の両方において優れた性能を発揮することが示された。 一連のアブレーション研究は、我々の設計の重要な要素をさらに明らかにしている。 コードとデータは間もなく公開されます。

関連論文リスト

• Veritas++: Value-aware On-Policy Distillation for Perception-Enhanced AIGI Detection [46.22414118216386]
  Veritas++はAIGI検出のための認識強化推論フレームワークである。 PoRLは、オープンな記述監督を検証可能な報酬に置き換える。 VaOPDは、一様監視よりも高価値蒸留信号を優先する。
  論文  参考訳（メタデータ） (2026-07-29T16:43:59Z)
• Personalized Cross-Modal Emotional Correlation Learning for Speech-Preserving Facial Expression Manipulation [63.90351637818903]
  音声保存表情操作は、本来の音声に結びついた口の動きを変えることなく、人間の表現力を高めることを目的としている。 現在のVisual-Language Models (VLM)は、整列した視覚的特徴と意味的特徴を抽出し、将来的な監視の源となる。 VLMをベースとしたパーソナライズされたクロスモーダル感情相関学習アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2026-04-28T06:02:23Z)
• LaScA: Language-Conditioned Scalable Modelling of Affective Dynamics [3.3187704612685267]
  本稿では,言語モデル(LM)を手作業による影響記述子に対する意味的文脈条件付けとして利用する新しいフレームワークを提案する。 我々のアプローチは、構造的ドメイン知識から派生した、解釈可能な顔形状と音響特徴から始まる。 事前訓練されたLMはこれらの記述を処理し、感情力学よりも高いレベルの先行として機能する意味的文脈埋め込みを生成する。
  論文  参考訳（メタデータ） (2026-04-08T15:18:39Z)
• Towards LLM-centric Affective Visual Customization via Efficient and Precise Emotion Manipulating [6.478514718464069]
  本稿では,マルチモーダル LLM による主観的感情の修正の中で画像を生成することに焦点を当てた,感情的視覚カスタマイズ(L-AVC)タスクを提案する。 効率の良い感情間変換(EIC)モジュールを、編集前後のセマンティクスにおける感情変換を効率よく整合させるように調整し、その後に、感情に依存しないコンテンツを正確に保持する精密な感情保持(PER)モジュールを設ける。
  論文  参考訳（メタデータ） (2026-02-20T06:12:48Z)
• AUVIC: Adversarial Unlearning of Visual Concepts for Multi-modal Large Language Models [63.05306474002547]
  を強制する規制フレームワークは、機械学習の必要性を喚起します。 AUVICはMLLMのための新しい視覚概念アンラーニングフレームワークである。 AUVICは,非ターゲット概念の性能劣化を最小限に抑えつつ,最先端の目標忘れ率を実現していることを示す。
  論文  参考訳（メタデータ） (2025-11-14T13:35:32Z)
• Agentic Jigsaw Interaction Learning for Enhancing Visual Perception and Reasoning in Vision-Language Models [63.69856480318313]
  AGILEは、対話的なプロセスとしてジグソー解決を定式化し、モデルが環境に徐々に関与できるようにする。 我々は AGILE がジグソータスクの性能を大幅に向上させることを示す。 また、9つの一般的な視覚タスクに対して強力な一般化を示し、平均3.1%の改善を実現した。
  論文  参考訳（メタデータ） (2025-10-01T17:58:05Z)
• Emulating Human-like Adaptive Vision for Efficient and Flexible Machine Visual Perception [93.20637973889434]
  本稿では、"パッシブ"から"アクティブ"ビジョンモデルへのパラダイムシフトを促進するための一般的なフレームワークであるAdaptiveNNを紹介する。 AdaptiveNNは、視覚知覚を粗い連続的な意思決定プロセスとして定式化する。 アダプティブNNは、大規模な視覚認識、きめ細かい識別、視覚検索、実際の運転と医療シナリオからの画像処理を含む、9つのタスクにまたがる17のベンチマークで評価する。
  論文  参考訳（メタデータ） (2025-09-18T18:25:43Z)
• VAEmo: Efficient Representation Learning for Visual-Audio Emotion with Knowledge Injection [50.57849622045192]
  本稿では,外部知識注入を用いた感情中心型VA表現学習のための効率的なフレームワークであるVAEmoを提案する。 VAEmoは、コンパクトな設計で最先端のパフォーマンスを実現し、統合されたクロスモーダルエンコーディングと感情認識のセマンティックガイダンスの利点を強調している。
  論文  参考訳（メタデータ） (2025-05-05T03:00:51Z)
• On the Role of Feedback in Test-Time Scaling of Agentic AI Workflows [71.92083784393418]
  エージェントAI(自律的な計画と行動を行うシステム)は広く普及しているが、複雑なタスクにおけるタスクの成功率は低いままである。 推論時のアライメントは、サンプリング、評価、フィードバックの3つのコンポーネントに依存します。 本稿では,様々な形態の批判から抽出されたフィードバックを繰り返し挿入するIterative Agent Decoding(IAD)を紹介する。
  論文  参考訳（メタデータ） (2025-04-02T17:40:47Z)
• Emotion Recognition with CLIP and Sequential Learning [5.66758879852618]
  本稿では,Valence-Arousal (VA) Estimation Challenge, Expression Recognition Challenge, and the Action Unit (AU) Detection Challengeについて述べる。 本手法では,継続的な感情認識の促進を目的とした新しい枠組みを導入する。
  論文  参考訳（メタデータ） (2025-03-13T01:02:06Z)
• Transparent and Coherent Procedural Mistake Detection [30.540514590818265]
  手続き的誤り検出(英: Procedural mis detection、PMD)は、人間がタスクをうまく実行したかどうかを分類する難しい問題である(手続き的テキストで特定)。 我々は、意思決定に視覚的自己対話的合理性を生成するためにPMDを拡張した。 近年のヴィジュアル・アンド・ランゲージモデル(VLM)で観察される印象的かつ成熟した画像理解能力を考えると、個々のフレームに基づいてPMDに適したベンチマークデータセットをキュレートする。
  論文  参考訳（メタデータ） (2024-12-16T16:13:55Z)
• Explanatory Model Monitoring to Understand the Effects of Feature Shifts on Performance [61.06245197347139]
  そこで本研究では,機能シフトによるブラックボックスモデルの振る舞いを説明する新しい手法を提案する。 本稿では,最適輸送と共有値の概念を組み合わせた提案手法について,説明的性能推定として紹介する。
  論文  参考訳（メタデータ） (2024-08-24T18:28:19Z)
• Calibrated Self-Rewarding Vision Language Models [27.686545023186852]
  LVLM(Large Vision-Language Models)は、訓練済みの大規模言語モデル(LLM)と視覚モデルを統合することで、指導チューニングを通じて大幅に進歩した。 LVLMは、しばしば幻覚現象を示し、生成されたテキスト応答は言語的に妥当に見えるが、入力画像に矛盾する。 本稿では,候補応答を反復的に生成し,各応答に対する報酬を評価し,微調整のための選好データをキュレートすることで,モデルの自己改善を可能にするCalibrated Self-Rewarding(CSR)アプローチを提案する。
  論文  参考訳（メタデータ） (2024-05-23T14:30:33Z)
• Harnessing Diffusion Models for Visual Perception with Meta Prompts [68.78938846041767]
  本稿では,視覚知覚タスクの拡散モデルを用いた簡易かつ効果的な手法を提案する。 学習可能な埋め込み(メタプロンプト)を事前学習した拡散モデルに導入し、知覚の適切な特徴を抽出する。 提案手法は,NYU 深度 V2 と KITTI の深度推定タスク,および CityScapes のセマンティックセグメンテーションタスクにおいて,新しい性能記録を実現する。
  論文  参考訳（メタデータ） (2023-12-22T14:40:55Z)
• Disentangled Variational Autoencoder for Emotion Recognition in Conversations [14.92924920489251]
  会話(ERC)における感情認識のためのVAD-VAE(VAD-VAE)を提案する。 VAD-VAEは3つをアンタングルし、Valence-Arousal-Dominance(VAD)を潜在空間から表現する。 実験により、VAD-VAEは2つのデータセット上で最先端のモデルより優れていることが示された。
  論文  参考訳（メタデータ） (2023-05-23T13:50:06Z)
• Good Visual Guidance Makes A Better Extractor: Hierarchical Visual Prefix for Multimodal Entity and Relation Extraction [88.6585431949086]
  本稿では,視覚的な実体と関係抽出のための階層型ビジュアルプレフィックス融合NeTwork(HVPNeT)を提案する。 視覚的表現をプラグ可能な視覚的接頭辞とみなして, 誤りに敏感な予測決定のためのテキスト的表現を導出する。 3つのベンチマークデータセットの実験により,本手法の有効性が実証され,最先端の性能が得られた。
  論文  参考訳（メタデータ） (2022-05-07T02:10:55Z)

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。