論文の概要: ShutterMuse: Capture-Time Photography Guidance with MLLMs

• arxiv url: http://arxiv.org/abs/2606.25763v1
• Date: Wed, 24 Jun 2026 12:37:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-25 17:05:30.327589
• Title: ShutterMuse: Capture-Time Photography Guidance with MLLMs
• Title（参考訳）: ShutterMuse:MLLMを使った撮影ガイド
• Abstract要約: 現実世界の撮影には、カメラフレーミングとポーズの両方にキャプチャタイムのガイダンスが必要である。 既存のクリーピングベンチマークでは、主にポストホック作物の予測と見落としの主観的推奨を評価している。 CaptureGuide-Benchは、カメラマンサイドのコンポジション決定とリファインメント、テーマサイドのシーン条件付きポーズレコメンデーションという2つの補完的なタスクを持つベンチマークである。
• 参考スコア（独自算出の注目度）: 39.02235069316064
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Real-world photography requires capture-time guidance for both camera framing and subject pose. Yet existing aesthetic cropping benchmarks mainly evaluate post-hoc crop prediction and overlook subject-side recommendations, leaving the capture-time guidance capabilities of multimodal large language models (MLLMs) underexplored. To address this gap, we introduce CaptureGuide-Bench, a benchmark with two complementary tasks: photographer-side composition decision and refinement, and subject-side scene-conditioned pose recommendation. Our evaluation reveals limitations: general-purpose MLLMs can make composition decisions but lack precise refinement localization, while specialized aesthetic cropping models localize crops effectively but are limited to refinement; neither provides actionable pose guidance. To support model development, we further construct CaptureGuide-Dataset, comprising 130K samples with textual rationales and structured visual annotations, and develop ShutterMuse, a unified MLLM trained with supervised and reinforcement fine-tuning. Experiments on CaptureGuide-Bench show that ShutterMuse achieves the best overall photographer-side performance among evaluated baselines and competitive subject-side pose recommendation with substantially lower inference cost, demonstrating the potential of MLLMs as interactive assistants for photography during image capture.
• Abstract（参考訳）: 現実世界の撮影には、カメラフレーミングとポーズの両方にキャプチャタイムのガイダンスが必要である。 しかし、既存の選別ベンチマークでは、主に、マルチモーダルな大規模言語モデル(MLLM)の捕集時間誘導能力が過小評価されている。 このギャップに対処するために,カメラマン側によるコンポジション決定とリファインメント,主観的なシーン条件のポーズレコメンデーションという,2つの補完的なタスクを備えたベンチマークであるCaptureGuide-Benchを紹介した。 汎用MLLMは合成決定を下すが、精密な精細化の局所化を欠いているのに対し、専門的な選別モデルは作物を効果的にローカライズするが、精細化に限られている。 モデル開発を支援するために,130Kサンプルをテキスト論理と構造化された視覚アノテーションで構成したCaptureGuide-Datasetを構築し,教師付きおよび強化微調整で訓練された統合MLLMであるShutterMuseを開発した。 CaptureGuide-Benchの実験から、ShutterMuseは評価ベースラインと競争対象のポーズの推奨において、撮影時のインタラクティブアシスタントとしてのMLLMの可能性を実証した。

関連論文リスト

• Venus: Benchmarking and Empowering Multimodal Large Language Models for Aesthetic Guidance and Cropping [47.103757942619914]
  スマートフォンは写真撮影をユビキタスにしてきたが、一般ユーザーとプロの写真家の間には明らかなギャップが残っている。 我々は, 審美学において, 審美指導 (AG) は必須だが, ほとんど探索されていない領域として定義する。 私たちはAesGuideを紹介します。AesGuideはAGの最初の大規模データセットで、10,748枚の写真に美的スコア、分析、ガイダンスを付加したベンチマークです。 我々は,段階的に複雑な審美的質問を通じて,まずMLLMをAG能力で強化する2段階のフレームワークであるVenusを提案する。
  論文  参考訳（メタデータ） (2026-02-27T12:47:31Z)
• RetouchIQ: MLLM Agents for Instruction-Based Image Retouching with Generalist Reward [64.78078130943489]
  本稿では、報酬モデルでガイドされたMLLMエージェントを介して命令ベースの実行可能画像編集を行うフレームワークであるRetouchIQを紹介する。 RetouchIQは従来のMLLMベースの編集システムや拡散ベースの編集システムよりも意味的一貫性と知覚的品質の両方を大幅に改善することを示す。
  論文  参考訳（メタデータ） (2026-02-19T17:11:59Z)
• SQUARE: Semantic Query-Augmented Fusion and Efficient Batch Reranking for Training-free Zero-Shot Composed Image Retrieval [2.624097337766623]
  Composed Image Retrieval (CIR) は、ユーザが指定したテキスト修正を取り入れつつ、参照画像の視覚的内容を保存するターゲット画像の検索を目的としている。 ZS-CIRを強化するために,MLLM(Multimodal Large Language Models)を利用した新しい2段階学習自由フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-09-30T14:41:24Z)
• LVLM-Composer's Explicit Planning for Image Generation [0.0]
  LVLM-Composerは,合成画像の高機能化に特化して開発された新しい10ビリオンパラメータスケールLVLMである。 提案手法は,構造化された即時分解のための階層的セマンティック計画モジュールと,生成時の正確な視覚誘導のための細粒度特徴アライメント機構を組み込んだ。 Gemini-2.0-Flash と InternVL3-78B による自動評価を利用した LongBench-T2I ベンチマークの実験では、LVLM-Composer が重要な構成次元にわたって優れた性能を示した。
  論文  参考訳（メタデータ） (2025-07-05T20:21:03Z)
• ProCrop: Learning Aesthetic Image Cropping from Professional Compositions [57.949730056500634]
  ProCropは、プロの写真を利用して収穫決定を導く検索方式である。 プロ画像のアウトペイントによって生成された242Kの弱い注釈付き画像の大規模データセットを提示する。 この合成対応データセット生成は、美学原理で導かれる多様な高品質な作物提案を提供する。
  論文  参考訳（メタデータ） (2025-05-28T15:38:44Z)
• CameraBench: Benchmarking Visual Reasoning in MLLMs via Photography [12.305953690308085]
  大規模言語モデル(LLM)とマルチモーダル大規模言語モデル(MLLM)は、非常に高度な人工知能を備えている。 OpenAI o1やGemini 2.0 Flash Thinkingのような推論モデルを含む最近の進歩は、この機能を開放した。 写真は、物理がカメラパラメータと相互作用する物理世界の視覚的なスナップショットであるため、写真関連のタスクに特に焦点をあてる。
  論文  参考訳（メタデータ） (2025-04-14T10:53:44Z)
• Painting with Words: Elevating Detailed Image Captioning with Benchmark and Alignment Learning [56.31096024472269]
  我々はDeCapBenchと、詳細なキャプションタスク用に特別に設計された新しいメトリックであるDCScoreを紹介する。 DCScoreは、反応を最小の自己充足単位に分解することで、幻覚ときめ細かい包括性を評価する。 DeCapBenchは、視覚言語モデルの既存のベンチマークを上回り、記述タスクにおけるVLMアリーナの結果と高い相関を示す。
  論文  参考訳（メタデータ） (2025-03-10T22:53:56Z)
• Cropper: Vision-Language Model for Image Cropping through In-Context Learning [54.34593968212081]
  画像トリミングのための大規模視覚言語モデル(VLM)を効果的に活用する手法を提案する。 まず,画像トリミングのための効率的なプロンプト検索機構を提案する。 第2に、予測された作物を反復的に増強する反復的改良戦略を導入する。 提案手法は, 自由形態の収穫, 主観的な収穫, アスペクト比の収穫など, 広範囲にわたる収穫作業に適用可能である。
  論文  参考訳（メタデータ） (2024-08-14T20:03:03Z)
• Panoramic Panoptic Segmentation: Insights Into Surrounding Parsing for Mobile Agents via Unsupervised Contrastive Learning [93.6645991946674]
  我々はパノラマパノラマパノプティクスのセグメンテーションを最も総合的なシーン理解として紹介する。 完全な周囲の理解は、移動エージェントに最大限の情報を提供する。 本稿では,標準的なピンホール画像のモデルトレーニングを可能にし,学習した特徴を別のドメインに転送するフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-06-21T20:07:15Z)

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。