論文の概要: PIPBench: A Profile-Inclusive Framework for Personalized Image Generation Evaluation
- arxiv url: http://arxiv.org/abs/2607.06440v1
- Date: Tue, 07 Jul 2026 16:09:30 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-08 21:24:51.581483
- Title: PIPBench: A Profile-Inclusive Framework for Personalized Image Generation Evaluation
- Title（参考訳）: PIPBench: パーソナライズされた画像生成評価のためのプロファイル包括的フレームワーク
- Abstract要約: PIPBenchは、パーソナライズされた画像生成を評価するための最初のプロファイル包括ベンチマークである。
本稿では,心理学的および人口統計学的プロファイリングの次元を活用する新しいデータ構築パイプラインを提案する。
- 参考スコア（独自算出の注目度）: 7.4598605762645525
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Recent text-to-image models such as DALLE-3 excel at following diverse prompts yet remain blind to individual aesthetic preferences. We study personalized image generation, where models must align outputs with a user's implicit visual preferences based on a few historically preferred images and a short prompt. To this end, we introduce PIPBench, the first profile-inclusive benchmark for evaluating personalized image generation. We further propose a novel data construction pipeline that leverages psychological and demographic profiling dimensions for both real-user data collection and scalable agent-based data generation. Using PIPBench, we conduct a thorough evaluation of representative line of methods. Our experiments reveal key limitations in existing methods, suggesting new challenges and opportunities for personalized text-to-image synthesis. Project page: https://wuyuhang05.github.io/PIPBench/
- Abstract（参考訳）: 最近のDALLE-3のようなテキスト・ツー・イメージのモデルは、多様なプロンプトに従うことで優れているが、個々の美的嗜好に盲目のままである。
モデルでは、歴史的に好まれるいくつかの画像と短いプロンプトに基づいて、出力をユーザの暗黙の視覚的嗜好と整合させなければならない。
この目的のために、パーソナライズされた画像生成を評価するための最初のプロファイル包括ベンチマークであるPIPBenchを紹介する。
さらに、実ユーザデータ収集とスケーラブルなエージェントベースデータ生成の両方に心理学的および人口統計学的プロファイリング次元を活用する新しいデータ構築パイプラインを提案する。
PIPBenchを用いて,提案手法の代表行を徹底的に評価する。
実験の結果,既存手法の限界が明らかとなり,パーソナライズされたテキスト・ツー・イメージ・シンセサイザーの新たな課題と機会が示唆された。
プロジェクトページ:https://wuyuhang05.github.io/PIPBench/
関連論文リスト
- Personalizing Text-to-Image Generation to Individual Taste [27.034209539539926]
我々は、パーソナライズされた画像評価をモデル化するための新しいデータセットと予測フレームワーク、PAMELAを紹介した。
私たちのデータセットは、最先端のモデルによって生成される5000の多様な画像に対して、70,000のレーティングで構成されています。
我々のモデルは、現在の最先端手法の大多数よりも高い精度で個人の好みを予測する。
論文 参考訳（メタデータ） (2026-04-08T17:35:36Z) - P-GenRM: Personalized Generative Reward Model with Test-time User-based Scaling [66.55381105691818]
P-GenRM(Personalized Generative Reward Model)を提案する。
P-GenRMは、選好信号を適応的なペルソナとスコアリングルーリックを導出する構造化評価チェーンに変換する。
さらにユーザをユーザプロトタイプにクラスタリングし、二重粒度スケーリングメカニズムを導入している。
論文 参考訳（メタデータ） (2026-02-12T16:07:22Z) - Personalized Reward Modeling for Text-to-Image Generation [9.780251969338044]
ユーザ条件付き評価次元を動的に生成し,CoT推論による画像評価を行うパーソナライズされた報酬モデルであるPIGRewardを提案する。
PIGRewardは、ユーザ固有のプロンプト最適化を促進するパーソナライズされたフィードバックを提供する。
大規模な実験により、PIGRewardは精度と解釈可能性の両方において既存の手法を超越していることが示された。
論文 参考訳（メタデータ） (2025-11-21T12:04:24Z) - PreferThinker: Reasoning-based Personalized Image Preference Assessment [83.66114370585976]
推論に基づくパーソナライズされた画像嗜好評価フレームワークを提案する。
まず、ユーザーの好みプロファイルを参照画像から予測する。
次に、解釈可能で多次元のスコアと候補画像の評価を提供する。
論文 参考訳（メタデータ） (2025-11-01T16:19:51Z) - PREFINE: Personalized Story Generation via Simulated User Critics and User-Specific Rubric Generation [2.8324853634693614]
PreFINEは、Crytique-and-Refineパラダイムをパーソナライズに拡張する新しいフレームワークである。
PreFINEは、ユーザのインタラクション履歴から擬似ユーザエージェントを構築し、ユーザ固有のルーリックを生成する。
本手法は,対話システムや教育,レコメンデーションなどの幅広い応用において,効率的なパーソナライズを可能にする可能性を持っている。
論文 参考訳（メタデータ） (2025-09-16T16:39:40Z) - DPImageBench: A Unified Benchmark for Differentially Private Image Synthesis [18.158096061348157]
差分プライベート(DP)画像合成は、データセット内の個々の画像のプライバシーを保護しながら、機密画像の特性を保持する人工画像を生成することを目的としている。
近年の進歩にもかかわらず、不整合かつ時には欠陥のある評価プロトコルが研究全体で適用されている。
本稿では,DP画像合成のためのDPImageBenchについて述べる。
論文 参考訳（メタデータ） (2025-03-18T19:37:35Z) - Bridging SFT and DPO for Diffusion Model Alignment with Self-Sampling Preference Optimization [67.8738082040299]
自己サンプリング優先最適化(SSPO)は,訓練後強化学習のための新しいアライメント手法である。
SSPOは、SFTのトレーニング安定性を維持しながら、ペアデータと報酬モデルの必要性を排除する。
SSPOは、テキスト・ツー・イメージベンチマークにおける以前のアプローチを全て上回り、テキスト・ツー・ビデオベンチマークにおける優れたパフォーマンスを示している。
論文 参考訳（メタデータ） (2024-10-07T17:56:53Z) - 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) - Stellar: Systematic Evaluation of Human-Centric Personalized
Text-to-Image Methods [52.806258774051216]
我々は,個々のイメージを入力し,生成プロセスの基盤となるテキストと,所望の視覚的コンテキストを記述したテキストに焦点をあてる。
我々は,既存の関連するデータセットよりも桁違いの大きさの個人画像と,リッチなセマンティックな接地真実アノテーションが容易に利用できるパーソナライズされたプロンプトを含む標準化データセット(Stellar)を紹介した。
被験者ごとにテストタイムの微調整を必要とせず,新しいSoTAを定量的かつ人為的に設定した,シンプルで効率的でパーソナライズされたテキスト・ツー・イメージのベースラインを導出する。
論文 参考訳（メタデータ） (2023-12-11T04:47:39Z) - Lafite2: Few-shot Text-to-Image Generation [132.14211027057766]
本稿では,画像のみのデータセットを用いたテキスト・画像生成モデルの事前学習手法を提案する。
擬似テキスト特徴を合成する検索テーマ最適化手法を検討する。
これは、数ショット、半教師あり、完全に教師された学習など、幅広い設定で有益である。
論文 参考訳（メタデータ） (2022-10-25T16:22:23Z) - Personalized Image Semantic Segmentation [58.980245748434]
ラベルのないパーソナライズされた画像に対して、データのパーソナライズされた特徴を調査することにより、より正確なセグメンテーション結果を生成する。
画像のセグメント化時に画像間コンテキストを組み込んだベースライン手法を提案する。
コードとPSSデータセットは公開されます。
論文 参考訳（メタデータ） (2021-07-24T04:03:11Z)
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。