論文の概要: Evolving to the Aesthetics of a Vision-Language Model

• arxiv url: http://arxiv.org/abs/2606.00112v1
• Date: Wed, 27 May 2026 04:38:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-02 21:34:27.968076
• Title: Evolving to the Aesthetics of a Vision-Language Model
• Title（参考訳）: 視覚言語モデルの美学にむけて
• Authors: Stephen James Krol, Jon McCormack,
• Abstract要約: VLM(Vision-Language Models)を用いた住民の美学評価法について検討する。 第1の方法は、CLIP-IQAを使用して、各デザインの美的スコアを予測する。第2の方法は、ユーザが指定したカスタムプロンプトを使用して、VLMによって決定された勝者と、候補同士をピットする。 本稿では,これらの手法を,カスタム生成システムを用いたケーススタディの文脈において提示し,その結果のランキングとアーティストの美的ランキングと,他の美的評価技術による評価結果と比較する。
• 参考スコア（独自算出の注目度）: 5.299719769828894
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Evolutionary systems have demonstrated remarkable results in creative domains, with recent applications in generative typography, design, and music. However, an open problem remains in designing fitness functions that effectively capture the desired aesthetics of abstract outputs. In this work, we explore two methods for evaluating the aesthetics of a population using Vision-Language Models (VLMs). The first method uses CLIP-IQA to predict an aesthetic score for each design. The second method instead pits candidates against each other, with winners determined by a VLM using a custom prompt specified by the user. The outcomes of these pairwise comparisons are then used to estimate a population ranking via the Glicko rating system. We present these methods in the context of a case study using a custom generative system and compare the resulting rankings with an artist's aesthetic ranking and those produced by other aesthetic evaluation techniques. Additionally, we document the artist's experience using these approaches to evolve designs, critically analysing the strengths and weaknesses of both methods.
• Abstract（参考訳）: 進化系は創造的領域において顕著な結果を示しており、近年は生成型タイポグラフィー、デザイン、音楽に応用されている。 しかし、抽象出力の所望の美学を効果的に捉えるフィットネス関数の設計には、未解決の問題が残っている。 本研究では,視覚言語モデル(VLM)を用いて,住民の美学を評価する2つの方法を検討する。 最初の方法は、CLIP-IQAを使用して、各デザインの美的スコアを予測する。 第2の方法は、候補を互いに落とし込み、勝者は、ユーザが指定したカスタムプロンプトを使用して、VLMによって決定される。 これらのペア比較の結果は、Glicko評価システムを通じて人口ランキングを推定するために使用される。 本稿では,これらの手法を,カスタム生成システムを用いたケーススタディの文脈において提示し,その結果のランキングとアーティストの美的ランキングと,他の美的評価技術による評価結果と比較する。 さらに,これらの手法を用いてデザインを進化させ,両手法の長所と短所を批判的に分析した。

関連論文リスト

• 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)
• Visual Motif Identification: Elaboration of a Curated Comparative Dataset and Classification Methods [4.431754853927668]
  映画では、視覚的なモチーフは、芸術的または美的な意味を持つ反復的な図形的構成である。 私たちのゴールは、これらのモチーフを認識して分類することであり、その目的にカスタムデータセットを使用する新しい機械学習モデルを提案することです。 CLIPモデルから抽出した機能を、浅いネットワークと適切な損失を用いて、20の異なるモチーフに分類し、驚くほど良い結果が得られることを示す。
  論文  参考訳（メタデータ） (2024-10-21T10:50:00Z)
• Aligning Vision Models with Human Aesthetics in Retrieval: Benchmarks and Algorithms [91.19304518033144]
  検索システムにおける視覚モデルと人間の審美基準の整合を図る。 本研究では、視覚モデルと人間の美学をよりよく整合させるために、視覚モデルを微調整する嗜好に基づく強化学習手法を提案する。
  論文  参考訳（メタデータ） (2024-06-13T17:59:20Z)
• Unveiling The Factors of Aesthetic Preferences with Explainable AI [0.0]
  本研究では,機械学習(ML)モデルを用いて,新しい視点を開拓する。 我々のモデルはこれらの属性を入力として処理し、画像の美的スコアを予測する。 本研究の目的は,画像における審美的嗜好の複雑な性質をMLを通して明らかにし,審美的判断に影響を及ぼす属性をより深く理解することである。
  論文  参考訳（メタデータ） (2023-11-24T11:06:22Z)
• Image Aesthetics Assessment via Learnable Queries [59.313054821874864]
  本稿では,IAA-LQを用いた画像美学評価手法を提案する。 フリーズされた画像エンコーダから得られた事前訓練された画像特徴から、学習可能なクエリを適応して美的特徴を抽出する。 実世界のデータに関する実験では、IAA-LQの利点が示され、SRCCとPLCCでそれぞれ2.2%、そして2.1%が最先端の手法に勝っている。
  論文  参考訳（メタデータ） (2023-09-06T09:42:16Z)
• 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)
• Understanding Aesthetic Evaluation using Deep Learning [5.837881923712394]
  本稿では,近年の深層学習の進歩が,個人的審美判断の自動化にどのように役立つかを検討する。 我々は,ジェノタイプ空間と表現型空間の両方を可視化するために次元還元法を用いて,任意の生成系における新しい領域の探索を支援する。 ユーザの以前の審美評価に基づいてトレーニングされた畳み込みニューラルネットワークは、既知の高品質なジェノタイプ-フェノタイプマッピング間の新たな可能性を提案するために使用される。
  論文  参考訳（メタデータ） (2020-04-15T04:18:38Z)

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。