論文の概要: XPASS-Vis: A Dataset for Cross-Domain Personalized Image Aesthetic Assessment

• arxiv url: http://arxiv.org/abs/2606.15629v1
• Date: Sun, 14 Jun 2026 06:44:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-16 16:21:33.762271
• Title: XPASS-Vis: A Dataset for Cross-Domain Personalized Image Aesthetic Assessment
• Title（参考訳）: XPASS-Vis: クロスドメインなパーソナライズされた画像美的評価のためのデータセット
• Abstract要約: クロスドメインPIAA用に明示的に設計された最初のデータセットであるXPASS-Visを紹介する。 XPASS-Visは、アート、ファッション、ランドスケープの3つの視覚領域からの6,526の刺激で構成され、129のアノテーションによって評価され、87,836人のユーザー刺激の相互作用をもたらす。 我々は、ラベル付きソースドメインでトレーニングされたモデルをラベル付きターゲットドメインに転送する、教師なしドメイン適応(UDA)の下で、クロスドメインPIAAのベースラインモデルを確立する。
• 参考スコア（独自算出の注目度）: 7.986812424929661
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Personalized image aesthetic assessment (PIAA) seeks to model, at the individual level, the subjective nature of aesthetic judgments toward artworks and photographs. Aesthetic preference is known to be both deeply personal and partially consistent across visual domains. Yet existing PIAA datasets and methods are largely confined to a single domain, or provide too few samples per annotator within each domain to enable personalization across domains. Consequently, the cross-domain generalization of personalized aesthetic preferences remains largely unexplored. To address this gap, we introduce XPASS-Vis, the first dataset explicitly designed for cross-domain PIAA. XPASS-Vis comprises 6,526 stimuli from three visual domains -- art, fashion, and landscape -- rated by 129 annotators, yielding 87,836 user-stimulus interactions, each annotated with an overall aesthetic score and nine aesthetic-emotion ratings. Notably, each annotator rated more than 200 stimuli per domain, providing sufficient per-domain coverage to support personalization both within and across domains. Moreover, we establish baseline models for cross-domain PIAA under unsupervised domain adaptation (UDA), where a model trained on a labeled source domain is transferred to an unlabeled target domain. A systematic evaluation of representative UDA approaches shows that the best-performing method recovers approximately 60\% (Spearman's $ρ$ = .28) of the supervised upper bound under a fully unsupervised setting. This provides encouraging evidence that personalized aesthetic preferences are, to a meaningful extent, transferable across visual domains. At the same time, a substantial gap remains, highlighting the need for PIAA-specific adaptation strategies. XPASS-Vis and the accompanying baselines provide a foundation for future research on cross-domain PIAA. All datasets and code will be made publicly available upon acceptance.
• Abstract（参考訳）: パーソナライズドイメージの美的評価(PIAA)は、個々のレベルで、美術品や写真に対する美的判断の主観的な性質をモデル化しようとするものである。 美的嗜好は、視覚領域全体で深く個人的かつ部分的に整合していることが知られている。 しかし、既存のPIAAデータセットとメソッドは、主に単一のドメインに限定されているか、ドメイン間のパーソナライズを可能にするために、各ドメイン内のアノテータ毎のサンプルがあまりに少ない。 その結果、パーソナライズされた審美的嗜好のドメイン間の一般化は、いまだに未解明のままである。 このギャップに対処するために、クロスドメインPIAA用に明示的に設計された最初のデータセットであるXPASS-Visを紹介する。 XPASS-Visは、アート、ファッション、ランドスケープの3つの視覚領域からの6,526の刺激で構成され、129のアノテーションによって評価され、87,836人のユーザー刺激の相互作用が得られ、それぞれに全身の美的スコアと9つの美的感情評価が付与されている。 特に、各アノテータは各ドメインに200以上の刺激を与え、ドメイン内およびドメイン間のパーソナライズをサポートするのに十分なドメイン単位のカバレッジを提供する。 さらに、ラベル付きソースドメインでトレーニングされたモデルをラベル付きターゲットドメインに転送する、教師なしドメイン適応(UDA)の下で、ドメイン間PIAAのベースラインモデルを確立する。 代表的UDA手法の体系的評価により、最適性能法は、完全に教師なし設定の下で監督された上界の約60 % (Spearman's $ρ$ = .28) を回復することを示した。 これは、パーソナライズされた審美的嗜好が、意味のある程度に視覚領域間で伝達可能であるという励ましの証拠を提供する。 同時に、PIAA固有の適応戦略の必要性を浮き彫りにして、大きなギャップが残っている。 XPASS-Visとそれに付随するベースラインは、クロスドメインPIAAの研究の基盤となる。 すべてのデータセットとコードは、受け入れ次第公開されます。

関連論文リスト

• Breaking the Information Silo: Semantic Personas for Cross-Domain Recommendation [0.5225254533678074]
  クロスドメインレコメンダシステムは、ソースドメインからターゲットドメインへの知識の転送によって制限を克服しようとする。 本研究では,厳密な不整合領域間での推薦知識伝達を可能にする設計成果物であるSPHEREを提案する。 SPHEREは、大きな言語モデルを使用して、共通の行動語彙を誘導し、ユーザのための構造化されたセマンティックペルソナを生成し、行動に類似したソースドメインコミュニティを検索する。
  論文  参考訳（メタデータ） (2026-06-01T07:04:10Z)
• StyleYourSmile: Cross-Domain Face Retargeting Without Paired Multi-Style Data [0.22917707112773592]
  クロスドメインフェイスは、ID、式、ドメイン固有の属性をアンタングルで制御する必要がある。 textitStyleYourSmileは、幅広い視覚領域にわたって優れたアイデンティティ保存と忠実性を実現する。
  論文  参考訳（メタデータ） (2025-12-01T17:14:07Z)
• ForensicHub: A Unified Benchmark & Codebase for All-Domain Fake Image Detection and Localization [54.64604722756443]
  ForensicHubは、オールドメインの偽画像検出とローカライゼーションのための最初の統一ベンチマークである。 科学的なパイプラインをデータセット、変換、モデル、評価者間で交換可能なコンポーネントに分解する。 FIDLモデルアーキテクチャ、データセットの特徴、評価標準に関する8つの重要な実行可能な洞察を提供する。
  論文  参考訳（メタデータ） (2025-05-16T08:49:59Z)
• Decoupled Doubly Contrastive Learning for Cross Domain Facial Action Unit Detection [66.80386429324196]
  そこで本稿では,AU 表現を2つに分離した2つのコントラスト適応 (D$2$CA) 手法を提案する。 D$2$CAは、合成顔の質を評価することにより、AUとドメイン因子を乱すように訓練される。 最先端のクロスドメインAU検出アプローチよりも一貫して優れています。
  論文  参考訳（メタデータ） (2025-03-12T00:42:17Z)
• CrossEarth: Geospatial Vision Foundation Model for Domain Generalizable Remote Sensing Semantic Segmentation [85.22910555280414]
  CrossEarthはセマンティックセグメンテーションのためのビジョン基盤モデルである。 CrossEarthは、特別に設計されたデータレベルのEarth-Style Injectionパイプラインを通じて、強力なクロスドメインの一般化を実証する。 セマンティックセグメンテーションタスクのために,各領域,スペクトル帯域,プラットフォーム,気候の32のクロスドメイン設定からなるRSDGベンチマークをキュレートした。
  論文  参考訳（メタデータ） (2024-10-30T01:22:37Z)
• Style Adaptation for Domain-adaptive Semantic Segmentation [2.1365683052370046]
  ドメインの不一致は、ターゲットドメインに適用した場合、ソースドメインデータに基づいてトレーニングされた一般的なネットワークモデルの性能を著しく低下させる。 パラメータ計算を必要とせず、自己学習に基づくUDA手法とシームレスに統合する。 提案手法は,GTA->Cityscapesデータセット上で76.93 mIoUの有意なUDA性能を達成し,過去の成果に比べて+1.03ポイント向上したことを示す。
  論文  参考訳（メタデータ） (2024-04-25T02:51:55Z)
• Phrase Grounding-based Style Transfer for Single-Domain Generalized Object Detection [109.58348694132091]
  単一ドメインの一般化オブジェクト検出は、複数の未確認対象ドメインに対するモデルの一般化性を高めることを目的としている。 これは、ターゲットのドメインデータをトレーニングに組み込むことなく、ドメインシフトに対処するモデルを必要とするため、実用的だが難しいタスクである。 そこで我々は,課題に対する新しい文節接頭辞に基づくスタイル伝達手法を提案する。
  論文  参考訳（メタデータ） (2024-02-02T10:48:43Z)
• Cross-domain Recommender Systems via Multimodal Domain Adaptation [2.306402684958048]
  コラボレーティブ・フィルタリング(CF)は、レコメンダ・システムを構築するための最も顕著な実装戦略の1つです。 クロスドメインCFは、複数のドメインにまたがる共通のエンティティ(ユーザまたはアイテム)を見つけることで、データ疎結合の問題を軽減する。 本稿では,ドメイン間のエンティティの埋め込みを整合させるドメイン適応手法を提案する。
  論文  参考訳（メタデータ） (2023-06-24T07:27:43Z)
• Bidirectional Generative Framework for Cross-domain Aspect-based Sentiment Analysis [68.742820522137]
  クロスドメインアスペクトベースの感情分析(ABSA)は、ソースドメインから知識を伝達することで、ターゲットドメイン上で様々なきめ細かい感情分析タスクを実行することを目的としている。 本稿では,多様なドメイン間ABSAタスクに対処するための統合双方向生成フレームワークを提案する。 我々のフレームワークは、テキストからラベルまでの方向とラベルからテキストへの方向の両方で生成モデルを訓練する。
  論文  参考訳（メタデータ） (2023-05-16T15:02:23Z)
• Unsupervised Domain Generalization by Learning a Bridge Across Domains [78.855606355957]
  Unsupervised Domain Generalization (UDG) のセットアップでは、ソースもターゲットドメインもトレーニングの監督は行わない。 本手法は,各トレーニング領域からBrADへの視覚的(イメージ間)マッピングを保存したセマンティクスのセットを伴って,補助的なブリッジドメインであるBrAD(Bridge Across Domains)の自己教師型学習に基づいている。 我々は,エッジレギュラー化したBrADを用いて,UDG,Few-shot UDA,マルチドメインデータセット間の教師なし一般化など,複数のベンチマークやタスクにまたがる大幅な向上を実現する方法を示す。
  論文  参考訳（メタデータ） (2021-12-04T10:25:45Z)
• Cross-Domain Label-Adaptive Stance Detection [32.800766653254634]
  距離検出は、ターゲットに対する作家の視点の分類に関するものである。 本稿では,16のスタンス検出データセットの詳細な分析を行う。 ユーザ定義ラベルの領域外予測のためのエンドツーエンドの非監視フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-04-15T14:04:29Z)

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。