論文の概要: Benchmarking Dynamic Affective Reasoning: A Viewer-Centric Video Emotion Dataset

• arxiv url: http://arxiv.org/abs/2607.10238v1
• Date: Sat, 11 Jul 2026 09:58:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-14 15:40:48.346605
• Title: Benchmarking Dynamic Affective Reasoning: A Viewer-Centric Video Emotion Dataset
• Title（参考訳）: 動的感情推論のベンチマーク:ビューア中心のビデオ感情データセット
• Abstract要約: 我々は、ビデオイベントに対する遷移と因果推論に影響を及ぼす視聴者中心の初めての大規模ベンチマークであるDynamic Affective Reasoningを紹介する。 Darには15,087の動画と36,908の感情セグメントがあり、27の感情カテゴリがアノテートされている。 Dar-R1は、感情的局所化と感情的推論の両方の観点から、動的感情的推論のための新しい最先端技術を設定する。
• 参考スコア（独自算出の注目度）: 51.92925649424503
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Video emotion analysis is typically framed as a static classification problem, treating each clip as an independent labeled unit. However, such a formulation overlooks a key psychological fact: emotions change as a result of cumulative reactions to consecutive causal events. To bridge this gap, we introduce Dynamic Affective Reasoning, the first large-scale benchmark for viewer-centric affect transitions and causal reasoning over consecutive video events. DAR contains 15,087 videos and 36,908 event-aligned affective segments annotated with 27 emotion categories. Unlike existing video-based emotion datasets, DAR presents a new viewer-centric perspective on fine-grained emotional expressions and transitions, and provides dense, temporally grounded, and causally explicit reasoning chains. Based on DAR, we formally define three challenging tasks: affective segmentation, fine-grained emotion classification, and affective reasoning. Complementing this benchmark, we propose DAR-R1, a two-stage framework that combines supervised fine-tuning with Group Relative Policy Optimization. Experiments across 10+ MLLMs show that DAR-R1 sets a new state-of-the-art for dynamic affective reasoning, in terms of both emotional localization and affective reasoning. Project page: https://github.com/Zhang-Zhiyan/DAR.
• Abstract（参考訳）: ビデオ感情分析は通常、静的な分類問題としてフレーム化され、各クリップを独立したラベル付き単位として扱う。 しかし、このような定式化は重要な心理的事実を見落としている:感情は連続した因果事象に対する累積反応の結果変化する。 このギャップを埋めるために、視聴者中心の大規模な評価ベンチマークであるDynamic Affective Reasoningを導入する。 DARには15,087本のビデオと36,908本のイベントアラインな感情セグメントがあり、27の感情カテゴリがアノテートされている。 既存のビデオベースの感情データセットとは異なり、DARは、きめ細かい感情表現と遷移に関する新しいビューアー中心の視点を示し、密度が高く、時間的基盤があり、因果的に明示的な推論連鎖を提供する。 DARに基づいて、感情的セグメンテーション、きめ細かい感情分類、感情的推論という3つの課題を正式に定義する。 このベンチマークを補完し、教師付き微調整とグループ相対政策最適化を組み合わせた2段階のフレームワークであるDAR-R1を提案する。 10以上のMLLMでの実験では、DAR-R1は感情的局所化と感情的推論の両方の観点から、動的感情的推論のための新しい最先端の技術を設定している。 プロジェクトページ:https://github.com/Zhang-Zhiyan/DAR.com

関連論文リスト

• Adaptive Emotional Video Captioning via Affective Heterogeneous Graph Reasoning and Multi-task Joint Learning [26.623474533402575]
  本研究では,多タスク言語モデリングと異種グラフを用いた適応型ECVフレームワークであるSAGMLを提案する。 SAGMLは、カタログレベルの感情ノードと語彙レベルの感情ワードノードを含む、ソフトな感情不均一グラフを構築する。 EVCのエラー耐性とマルチ感情認識のベースラインを提供する。
  論文  参考訳（メタデータ） (2026-07-31T05:49:33Z)
• Towards Accurate Emotion-Attributed Video Captioning via Fine-grained Emotion-Cause Pair Extraction [47.762139272076126]
  Emotional Video Captioning(EVC)は、ビデオの事実的正確で感情的なリッチな記述を生成することを目的とした課題である。 既存のECV手法では、全体的視覚的特徴を利用して、世界的感情的手がかりを抽出し、マルチモーダルな特徴を集約し、感情的なキャプション生成を導く。 本稿では,感情対応ビデオキャプションのための微粒な感情原因対抽出フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-06-07T10:43:41Z)
• FACE-net: Factual Calibration and Emotion Augmentation for Retrieval-enhanced Emotional Video Captioning [81.33341786837974]
  Emotional Video Captioning (EVC) は、ビデオで表現される本質的な感情で事実を記述することを目的とした、新たなタスクである。 FActual and Emotion Augmentation (FACE-net) を用いた検索強化フレームワークを提案する。 FACE-netは、事実と感情のセマンティクスを協調的にマイニングし、生成のための適応的で正確なガイダンスを提供する。
  論文  参考訳（メタデータ） (2026-03-18T07:53:15Z)
• VidEmo: Affective-Tree Reasoning for Emotion-Centric Video Foundation Models [46.591026037722436]
  本稿では,基本的属性認識,表現分析,高レベルの感情理解を統一する感情的手がかり誘導推論フレームワークを提案する。 我々のアプローチの核心は、感情推論と指示追従のために特別に設計されたビデオ感情基盤モデル(VidEmo)のファミリーである。 基礎的なデータ基盤を確立し,210万の多様な命令ベースのサンプルからなる感情中心の微粒化データセットを導入する。
  論文  参考訳（メタデータ） (2025-11-04T16:31:09Z)
• Disentangle Identity, Cooperate Emotion: Correlation-Aware Emotional Talking Portrait Generation [63.94836524433559]
  DICE-Talkは、感情と同一性を切り離し、類似した特徴を持つ感情を協調するフレームワークである。 我々は、モーダル・アテンションを通して、音声と視覚の感情の手がかりを共同でモデル化するアンタングル型感情埋め込み装置を開発した。 次に,学習可能な感情バンクを用いた相関強化感情調和モジュールを提案する。 第3に、拡散過程における感情の一貫性を強制する感情識別目標を設計する。
  論文  参考訳（メタデータ） (2025-04-25T05:28:21Z)
• Dual-path Collaborative Generation Network for Emotional Video Captioning [33.230028098522254]
  感情的ビデオキャプション(Emotional Video Captioning)は、ビデオで表現される本質的な感情で事実的コンテンツを記述することを目的とした、新たなタスクである。 既存の感情的ビデオキャプション手法は、最初は世界的視覚的感情的手がかりを認識し、ビデオ機能と組み合わせて感情的キャプション生成を導く。 本稿では、感情的なキャプションを生成しながら、動的に視覚的な感情的手がかりを知覚するデュアルパス協調生成ネットワークを提案する。
  論文  参考訳（メタデータ） (2024-08-06T07:30:53Z)
• A Circular-Structured Representation for Visual Emotion Distribution Learning [82.89776298753661]
  視覚的感情分布学習に先立つ知識を活用するために,身近な円形構造表現を提案する。 具体的には、まず感情圏を構築し、その内にある感情状態を統一する。 提案した感情圏では、各感情分布は3つの属性で定義される感情ベクトルで表される。
  論文  参考訳（メタデータ） (2021-06-23T14:53:27Z)
• Affect2MM: Affective Analysis of Multimedia Content Using Emotion Causality [84.69595956853908]
  本稿では,マルチメディアコンテンツを対象とした時系列感情予測学習手法であるAffect2MMを提案する。 私たちの目標は、現実の人間中心の状況や行動でキャラクターが描く様々な感情を自動的に捉えることです。
  論文  参考訳（メタデータ） (2021-03-11T09:07:25Z)

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。