論文の概要: Peak-End-Net: A Peak-End Rule Inspired Framework for Generalizable Video Aesthetic Assessment

• arxiv url: http://arxiv.org/abs/2607.13941v1
• Date: Wed, 15 Jul 2026 15:24:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-16 16:39:12.823159
• Title: Peak-End-Net: A Peak-End Rule Inspired Framework for Generalizable Video Aesthetic Assessment
• Title（参考訳）: Peak-End-Net: 一般的なビデオ審美評価のためのPeak-Endルールに触発されたフレームワーク
• Abstract要約: ビデオ美的アセスメント(VAA)は、ビデオの美的満足度を予測することを目的としているが、他の視覚的アセスメントよりもはるかに少ない。 textitPeak-End-Netは,textitpeak-endルールにヒントを得た軽量かつ美学的解釈可能なフレームワークである。 提案手法は,VOAの心理的基盤モデリングの価値を実証し,最先端のパフォーマンスを実現する。
• 参考スコア（独自算出の注目度）: 21.46630929819382
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Video aesthetic assessment (VAA) aims to predict how aesthetically pleasing a video is, yet remains far less explored than other visual assessment tasks. Its progress is hindered not only by the scarcity of large-scale benchmarks, but also by the intrinsic subjectivity of aesthetic judgment, which is shaped by human perception. In this paper, we revisit VAA from a psychological perspective and propose \textit{Peak-End-Net}, a lightweight and interpretable framework inspired by the \textit{peak-end rule}, which suggests that people tend to judge a temporal experience mainly according to its salient moments and the ending. Building on this intuition, we first transfer knowledge from image aesthetic assessment (IAA) to VAA by introducing a pretrained IAA head to produce frame-wise aesthetic priors, which serve as surrogate signals for identifying aesthetically salient moments and guiding \textit{peak-end rule}-based temporal aggregation. To further capture how a video evolves aesthetically over time, we design an aesthetic rhythm encoder that models temporal progression beyond isolated moments. Additionally, we refine the overall assessment through a dynamic gated fusion mechanism to improve robustness under distribution shift. Our method is built on a frozen vision transformer (ViT) and requires only a small number of trainable parameters, making it scalable and parameter-efficient. Extensive experiments on two existing VAA benchmarks, including in-domain evaluation on VADB and cross-domain testing on DIVIDE-3K, demonstrate that our approach achieves state-of-the-art performance, affirming the value of psychologically grounded modeling for VAA. Our code and models are available at https://github.com/AMAP-ML/Peak-End-Net.
• Abstract（参考訳）: ビデオ美的アセスメント(VAA)は、ビデオの美的満足度を予測することを目的としているが、他の視覚的アセスメントよりもはるかに少ない。 その進歩は、大規模なベンチマークの不足だけでなく、人間の知覚によって形成される美的判断の本質的な主観性にも妨げられている。 本稿では, VAAを心理学的観点から再考し, 時間的経験を主眼とした時間的経験と終末を判断する傾向があることを示唆する, 軽量かつ解釈可能なフレームワークである「textit{Peak-End-Net}」を提案する。 この直感に基づいて、我々はまず、画像美的評価(IAA)から、事前訓練されたIAAヘッドを導入して、フレームワイドの美的先行情報を生成することにより、視覚的に健全なモーメントを識別し、 \textit{peak-end rule} に基づく時間的アグリゲーションを導くための補助信号として機能する、画像美的評価(IAA)からVOAへ知識を伝達する。 さらに、ビデオが時間とともに審美的にどのように進化するかを捉えるために、孤立した瞬間を超えて時間的進行をモデル化する美的リズムエンコーダを設計する。 さらに, 動的ゲート融合機構を用いて全体の評価を改良し, 分散シフト時のロバスト性を向上させる。 本手法は凍結型視覚変換器(ViT)上に構築され,少数のトレーニング可能なパラメータしか必要とせず,拡張性とパラメータ効率が向上する。 VADBのドメイン内評価やDIVIDE-3Kのクロスドメインテストなど,既存の2つのVAAベンチマークに対する大規模な実験により,我々のアプローチが最先端のパフォーマンスを達成し,VAAの心理的基盤モデリングの価値を実証した。 私たちのコードとモデルはhttps://github.com/AMAP-ML/Peak-End-Net.orgで公開されています。

関連論文リスト

• VOR-Bench: A Human Perception-Driven Benchmark for Video Object Removal [41.67024349583551]
  VORベンチ(VOR Bench)を導入し、3つの統合コンポーネントによるVOR評価を向上する。 まず、VORデータセット(VORD)を、ペア化された編集ビデオと落書きマスクの両方を提供する最初のベンチマークデータセットとして提示する。 第2に、現実的なモーション対応Paired-Video Acquisition FrameworkであるrMPAFを開発する。 第3に,マスク誘導型VORに特化して設計されたVLMに基づく最初の知覚駆動型スコアリングモデルであるVOR-MDSMを紹介する。
  論文  参考訳（メタデータ） (2026-09-15T09:08:00Z)
• Taming I2V models for Image HOI Editing: A Cognitive Benchmark and Agentic Self-Correcting Framework [62.705866028818576]
  現在の画像編集法は静的属性で優れているが、複雑なHuman-Object Interactions (HOI)では失敗する 3つの進歩的認知レベルを持つ総合的なベンチマークであるHOI-Editを紹介する。 HOI-Editでは、SCPEは対話におけるNano Bananaのような最先端(SOTA)編集モデルと競合するパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2026-06-17T13:44:26Z)
• What Makes Video World Model Latents Action-Relevant: Prediction over Reconstruction [9.020077150911526]
  動作関連構造は、主に画素再構成の忠実度ではなく、時間的ビデオ事前学習によって駆動される。 本研究は,行動関連ビデオ表現の主成分として時間的予測構造(再構成忠実性ではなく,時間的予測構造)を同定した。
  論文  参考訳（メタデータ） (2026-06-05T04:43:02Z)
• AesRM: Improving Video Aesthetics with Expert-Level Feedback [43.42711744384817]
  映画製作のような現実世界の応用には、映像の美学が視覚的忠実性を超えて必要である。 映像美学を視覚美学(VA)、視覚忠実度(VF)、視覚プラウザビリティ(VP)の3つの要素に分解する階層型ルーブリックを提案する。 このフレームワークは、大規模なエキスパートアノテートされた好みデータセットと評価ベンチマーク、AesVideo-Benchを可能にする。
  論文  参考訳（メタデータ） (2026-04-30T16:24:07Z)
• Learning to Look before Learning to Like: Incorporating Human Visual Cognition into Aesthetic Quality Assessment [10.379213455076439]
  AestheticNetは、人間のような視覚認知と意味認識を双方向アーキテクチャに統合する新しいAQAパラダイムである。 視線対応ビジュアルエンコーダ(GAVE)として実装された視覚的注意経路は、リソース効率の良いコントラスト視線アライメントを用いて、視線追跡データをオフラインでトレーニングした。 視覚的注意は、前景/背景構造、カラーカスケード、明るさ、照明を反映する認知的事前情報を提供する。
  論文  参考訳（メタデータ） (2026-04-17T09:04:01Z)
• StepVAR: Structure-Texture Guided Pruning for Visual Autoregressive Models [98.72926158261937]
  本稿では,Visual AutoRegressive モデルのためのトレーニングフリートークン解析フレームワークを提案する。 我々は局所的なテクスチャの詳細を捉えるために軽量なハイパスフィルタを使用し、グローバルな構造情報を保存するために主成分分析(PCA)を活用している。 スパーストークンの下で有効な次世代の予測を維持するために,近接した特徴伝達戦略を導入する。
  論文  参考訳（メタデータ） (2026-03-02T11:35:05Z)
• Visual Autoregressive Modelling for Monocular Depth Estimation [69.01449528371916]
  本稿では,視覚的自己回帰(VAR)に基づく単眼深度推定手法を提案する。 提案手法は,大規模テキスト・画像VARモデルに適応し,スケールワイド・コンディショナル・アップサンプリング機構を導入する。 本研究では,屋内ベンチマークにおける制約付きトレーニング条件下での最先端性能と,屋外データセットに適用した場合の強い性能について報告する。
  論文  参考訳（メタデータ） (2025-12-27T17:08:03Z)
• Q-Save: Towards Scoring and Attribution for Generated Video Evaluation [65.83319736145869]
  本稿では,AIGV品質の総合評価のためのベンチマークデータセットとモデルであるQ-Saveを紹介する。 データセットには10000近いビデオが含まれており、それぞれにスカラー平均評価スコア(MOS)と微粒な属性ラベルが付与されている。 品質評価と属性に基づく説明を共同で行う統一評価モデルを提案する。
  論文  参考訳（メタデータ） (2025-11-24T07:00:21Z)
• ReferDINO: Referring Video Object Segmentation with Visual Grounding Foundations [33.74746234704817]
  ビデオオブジェクトセグメンテーション(RVOS)は、テキスト記述に基づいて、ビデオ全体を通してターゲットオブジェクトをセグメンテーションすることを目的としている。 これは、深い視覚レベルの理解、ピクセルレベルの高密度な予測、時間的推論を含むため、難しい。 基礎的な視覚基盤モデルから領域レベルの視覚テキストアライメントを継承するbfReferDINO RVOSを提案する。
  論文  参考訳（メタデータ） (2025-01-24T16:24:15Z)
• Object-Centric Temporal Consistency via Conditional Autoregressive Inductive Biases [69.46487306858789]
  Conditional Autoregressive Slot Attention (CA-SA) は、ビデオ中心の視覚タスクにおいて抽出されたオブジェクト中心の表現の時間的一貫性を高めるフレームワークである。 本稿では,提案手法が下流タスクのベースラインよりも優れていることを示す定性的,定量的な結果を示す。
  論文  参考訳（メタデータ） (2024-10-21T07:44:44Z)
• pAE: An Efficient Autoencoder Architecture for Modeling the Lateral Geniculate Nucleus by Integrating Feedforward and Feedback Streams in Human Visual System [0.716879432974126]
  本稿では,人間の視覚情報処理を近似した深部畳み込みモデルを提案する。 本研究の目的は、訓練された浅部畳み込みモデルを用いて、外側原核(LGN)領域の機能を近似することである。 pAEモデルは最終99.26%の予測性能を達成し、時間モードでの人間の結果よりも約28%向上したことを示す。
  論文  参考訳（メタデータ） (2024-09-20T16:33:01Z)
• D-NPC: Dynamic Neural Point Clouds for Non-Rigid View Synthesis from Monocular Video [53.83936023443193]
  本稿では,スマートフォンのキャプチャなどのモノクロ映像から動的に新しいビューを合成する手法を導入することにより,この分野に貢献する。 我々のアプローチは、局所的な幾何学と外観を別個のハッシュエンコードされたニューラル特徴グリッドにエンコードする暗黙の時間条件のポイントクラウドである、$textitdynamic Neural point cloudとして表現されている。
  論文  参考訳（メタデータ） (2024-06-14T14:35:44Z)
• VS-TransGRU: A Novel Transformer-GRU-based Framework Enhanced by Visual-Semantic Fusion for Egocentric Action Anticipation [33.41226268323332]
  エゴセントリックなアクション予測は、一人称視点で将来のアクションを先進的に予測することを目的とした課題である。 既存のほとんどの手法は、視覚入力とリカレントニューラルネットワークに基づくモデルアーキテクチャと損失関数の改善に重点を置いている。 本稿では,新しいビジュアル・セマンティック融合とトランスフォーマーGRUに基づくアクション予測フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-07-08T06:49:54Z)
• 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)

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。