論文の概要: Design Your Ad: Personalized Advertising Image and Text Generation with Unified Autoregressive Models
- arxiv url: http://arxiv.org/abs/2605.12138v1
- Date: Tue, 12 May 2026 13:58:06 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-13 21:48:56.894024
- Title: Design Your Ad: Personalized Advertising Image and Text Generation with Unified Autoregressive Models
- Title（参考訳）: 広告をデザインする: 統一された自己回帰モデルで画像とテキストを生成するパーソナライズされた広告
- Authors: Yexing Xu, Wei Feng, Shen Zhang, Haohan Wang, Yuxin Qin, Yaoyu Li, Ao Ma, Yuhao Luo, Lu Wang, Xudong Ren, Haoran Wang, Run Ling, Zheng Zhang, Jingjing Lv, Junjie Shen, Ching Law, Longguang Wang, Yulan Guo,
- Abstract要約: 広告画像とテキストの両方を生成するために,単一の自己回帰フレームワークを利用するUnified Advertisement Generative Model(Uni-AdGen)を開発した。
広告をよりパーソナライズするために、我々はUni-AdGenに粗い好み理解モジュールを装備する。
提案手法は,汎用的かつパーソナライズされた広告生成において,ベースラインを上回っている。
- 参考スコア（独自算出の注目度）: 75.31791398000492
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Generating realistic and user-preferred advertisements is a key challenge in e-commerce. Existing approaches utilize multiple independent models driven by click-through-rate (CTR) to controllably create attractive image or text advertisements. However, their pipelines lack cross-modal perception and rely on CTR that only reflects average preferences. Therefore, we explore jointly generating personalized image-text advertisements from historical click behaviors. We first design a Unified Advertisement Generative model (Uni-AdGen) that employs a single autoregressive framework to produce both advertising images and texts. By incorporating a foreground perception module and instruction tuning, Uni-AdGen enhances the realism of the generated content. To further personalize advertisements, we equip Uni-AdGen with a coarse-to-fine preference understanding module that effectively captures user interests from noisy multimodal historical behaviors to drive personalized generation. Additionally, we construct the first large-scale Personalized Advertising image-text dataset (PAd1M) and introduce a Product Background Similarity (PBS) metric to facilitate training and evaluation. Extensive experiments show that our method outperforms baselines in general and personalized advertisement generation. Our project is available at https://github.com/JD-GenX/Uni-AdGen.
- Abstract（参考訳）: リアルでユーザー優先の広告を生成することは、eコマースにおける重要な課題だ。
既存のアプローチでは、クリックスルーレート(CTR)によって駆動される複数の独立したモデルを使用して、魅力的な画像やテキスト広告を制御している。
しかし、パイプラインはクロスモーダルな認識を欠き、平均的な嗜好を反映するCTRに依存している。
そこで,歴史的クリック行動からパーソナライズされた画像テキスト広告を共同生成する方法について検討する。
われわれはまず,単一の自己回帰フレームワークを用いて,広告画像とテキストの両方を生成するUnified Advertisement Generative Model(Uni-AdGen)を設計する。
前景認識モジュールと命令チューニングを組み込むことで、Uni-AdGenは生成されたコンテンツのリアリズムを強化する。
広告をよりパーソナライズするために、我々はUni-AdGenに、ノイズの多いマルチモーダルな履歴行動からユーザの興味を効果的に捉え、パーソナライズされた生成を促進する粗大な選好理解モジュールを装備する。
さらに,最初の大規模パーソナライズド広告画像テキストデータセット(PAd1M)を構築し,学習と評価を容易にする製品背景類似度(PBS)指標を導入する。
広汎な実験により,本手法は,一般的な広告生成とパーソナライズされた広告生成において,ベースラインよりも優れていた。
私たちのプロジェクトはhttps://github.com/JD-GenX/Uni-AdGenで利用可能です。
関連論文リスト
- Multi-Object Advertisement Creative Generation [10.187584785251087]
家具製品マーケティングにおいて、広告主はしばしば潜在的な買い手と共鳴する製品を含むライフスタイルのイメージを作成する。
ジェネレーティブ・人工知能(GenAI)の最近の進歩は、現実的な画像コンテンツ作成に発展をもたらした。
CreativeAdsは、スケーラブルな自動生成をサポートするマルチプロダクト広告作成システムである。
論文 参考訳（メタデータ） (2026-03-14T04:30:27Z) - NextAds: Towards Next-generation Personalized Video Advertising [46.666292153282875]
NextAdsは次世代のパーソナライズされたビデオ広告のためのパラダイムだ。
私たちは、パーソナライズされたクリエイティブ生成とパーソナライズされたクリエイティブ統合という2つの代表的なタスクを定式化します。
我々は初期の探索実験を行い、GenAIがパーソナライズされたクリエイティブを創造し、統合し、パフォーマンスを奨励できることを実証した。
論文 参考訳（メタデータ） (2026-03-02T17:58:07Z) - DRC: Enhancing Personalized Image Generation via Disentangled Representation Composition [69.10628479553709]
大規模マルチモーダルモデル(LMM)を拡張した新しいパーソナライズされた画像生成フレームワークであるDRCを紹介する。
DRCは、履歴画像と参照画像から、ユーザスタイルの好みと意味的な意図をそれぞれ明示的に抽出する。
本研究は2つの重要な学習段階を包含する。1) スタイルと意味的特徴を明確に分離するために二重解離型学習を用い,難易度を考慮した再構成駆動型パラダイムを用いて最適化し,2) パーソナライズド・パーソナライズド・パーソナライズド・ジェネレーションを効果的に適用するパーソナライズド・モデリング。
論文 参考訳（メタデータ） (2025-04-24T08:10:10Z) - 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) - JeDi: Joint-Image Diffusion Models for Finetuning-Free Personalized Text-to-Image Generation [49.997839600988875]
既存のパーソナライズ手法は、ユーザのカスタムデータセット上でテキスト・ツー・イメージの基礎モデルを微調整することに依存している。
ファインタニングフリーのパーソナライズモデルを学ぶための効果的な手法として,ジョイントイメージ拡散(jedi)を提案する。
本モデルは,従来のファインタニングベースとファインタニングフリーのパーソナライゼーションベースの両方において,定量的かつ定性的に,高い品質を実現する。
論文 参考訳（メタデータ） (2024-07-08T17:59:02Z) - Strictly-ID-Preserved and Controllable Accessory Advertising Image Generation [26.70908496728137]
我々は、制御ネットに基づくカスタマイズされた画像生成パイプラインを開発した。
我々のアプローチは、イヤリングとモデルの顔とのシームレスな相互作用を促進する。
提案手法は, 生成したモデルの顔のきめ細かい制御を実現し, 広告効果を制御し, 獲得する。
論文 参考訳（メタデータ） (2024-04-07T06:28:53Z) - AdBooster: Personalized Ad Creative Generation using Stable Diffusion
Outpainting [7.515971669919419]
デジタル広告において、最適項目(勧告)と最良の創造的プレゼンテーション(創造的最適化)の選択は伝統的に別分野とみなされてきた。
本稿では、ユーザの興味を取り入れたクリエイティブ生成のための生成モデルのタスクを紹介し、パーソナライズされた広告クリエイティビティのためのモデルであるAdBoosterを形作る。
論文 参考訳（メタデータ） (2023-09-08T12:57:05Z) - Boost CTR Prediction for New Advertisements via Modeling Visual Content [55.11267821243347]
広告の視覚的内容を利用してCTR予測モデルの性能を向上させる。
過去に蓄積された履歴的ユーザ・アドインタラクションに基づいて,各ビジュアルIDの埋め込みを学習する。
Baiduオンライン広告のCTR予測モデルにビジュアルIDを埋め込んだ後、広告の平均CTRは1.46%改善し、総料金は1.10%増加した。
論文 参考訳（メタデータ） (2022-09-23T17:08:54Z) - Learning to Create Better Ads: Generation and Ranking Approaches for Ad
Creative Refinement [26.70647666598025]
i)新しい広告テキストを生成すること、(ii)新しい広告テキストにキーフレーズを推奨すること、(iii)画像タグ(画像中のオブジェクト)を推奨すること。
複数の広告主が実施したA/Bテストに基づいて、劣悪な広告クリエイティブと優良な広告クリエイティブのペアワイズな例を作成します。
また、Yahoo Geminiの広告プラットフォームからのデータを使って、実験から広く適用可能な洞察を共有しています。
論文 参考訳（メタデータ） (2020-08-17T16:46:28Z)
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。