論文の概要: Personalized Image Aesthetic Assessment via Preference-rich Sample Mining and Cohort Merging

• arxiv url: http://arxiv.org/abs/2607.15752v1
• Date: Fri, 17 Jul 2026 08:40:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-20 17:56:52.799133
• Title: Personalized Image Aesthetic Assessment via Preference-rich Sample Mining and Cohort Merging
• Title（参考訳）: 選好豊富なサンプルマイニングとコホートマージによるパーソナライズされた画像美的評価
• Authors: Zhichao Yang, Tianjiao Gu, Zhixianhe Zhang, Xiangfei Sheng, Pengfei Chen, Leida Li,
• Abstract要約: 本稿では,マルチモーダル大規模言語モデル(MLLM)に基づくアプローチを提案する。 4つのベンチマークPIAAデータベースの実験と比較により,提案したPRACモデルの最先端性を示す。
• 参考スコア（独自算出の注目度）: 27.861299168726685
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Personalized Image Aesthetic Assessment (PIAA) aims to predict aesthetic ratings of images that vary across individuals. The aesthetic preferences manifest to different extents across distinct visual stimuli and exhibit cohort-specific patterns. Motivated by the above fact, this paper presents a Multimodal Large Language Model (MLLM)-based approach, which models individual aesthetic preferences by Preference-Rich sample mining and Aesthetically-resonant Cohort merging (PRAC). Specifically, PRAC first identifies preference-rich samples by analyzing both Collective Controversy and Personalized Deviation of images, maximizing the utility of limited user data. Based upon the preference-rich samples, cross-user preference similarities are measured by comparing preference embeddings. Then, a cohort-based model merging strategy, is proposed by aggregating preference patterns from aesthetically-resonant users, which further enhances the personalization for the target individual. Extensive experiments and comparisons on four benchmark PIAA databases demonstrate the superiority of the proposed PRAC model over the state-of-the-arts. The code and model will be public at https://github.com/yzc-ippl/PRAC.
• Abstract（参考訳）: Personalized Image Aesthetic Assessment (PIAA) は、個人によって異なる画像の美的評価を予測することを目的としている。 美的嗜好は、異なる視覚刺激によって異なる範囲に現れ、コホート特有のパターンを示す。 以上のことから,本論文では,Preference-RichサンプルマイニングとAesthetically-resonant Cohort merging (PRAC)による個別の美的嗜好をモデル化したMLLMに基づくアプローチを提案する。 具体的には、PRACはまず、画像の集合的論争とパーソナライズされた偏差の両方を分析し、限られたユーザデータの有用性を最大化することによって、嗜好に富んだサンプルを識別する。 嗜好に富んだサンプルに基づいて、嗜好埋め込みを比較することで、ユーザ間の嗜好類似度を測定する。 次に,コホートに基づくモデルマージ戦略を提案し,審美的に共鳴したユーザから好みのパターンを集約することで,対象個人に対するパーソナライズをさらに強化する。 4つのベンチマークPIAAデータベースにおける大規模な実験と比較は、最先端のPRACモデルよりも優れていることを示す。 コードとモデルはhttps://github.com/yzc-ippl/PRAC.comで公開される。

関連論文リスト

• 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)
• Personalized Preference Fine-tuning of Diffusion Models [75.22218338096316]
  拡散モデルとパーソナライズされた嗜好を整合させるマルチリワード最適化の目的であるPDを導入する。 PPDでは、拡散モデルがユーザーの個人の好みを数秒で学習する。 提案手法は,Stable Cascadeに対して平均76%の勝利率を達成し,特定のユーザの好みをより正確に反映した画像を生成する。
  論文  参考訳（メタデータ） (2025-01-11T22:38:41Z)
• ComPO: Community Preferences for Language Model Personalization [122.54846260663922]
  ComPOは、言語モデルにおける好みの最適化をパーソナライズする手法である。 ComPRedはRedditからコミュニティレベルの好みを持った質問応答データセットです。
  論文  参考訳（メタデータ） (2024-10-21T14:02:40Z)
• Beyond Bradley-Terry Models: A General Preference Model for Language Model Alignment [51.14207112118503]
  我々は、優先順位を効率的に捉えるために、応答を潜在空間に埋め込むアプローチである選好埋め込みを導入する。 また、人間からのフィードバックから報酬に基づく強化学習を一般化する嗜好スコアに基づく一般選好最適化(GPO)を提案する。 提案手法は,基礎モデルの微妙な人的価値との整合性を高めることができる。
  論文  参考訳（メタデータ） (2024-10-03T04:22:55Z)
• PAL: Pluralistic Alignment Framework for Learning from Heterogeneous Preferences [6.398937923320069]
  我々は、既存の事前学習戦略を補完する人間の嗜好をモデル化するフレームワークであるPALを提案する。 PALは,強いベースラインと比較して,競争報酬モデルの精度が向上することを示す。
  論文  参考訳（メタデータ） (2024-06-12T17:54:54Z)
• Revisiting the Evaluation of Image Synthesis with GANs [55.72247435112475]
  本研究では, 合成性能の評価に関する実証的研究を行い, 生成モデルの代表としてGAN(Generative Adversarial Network)を用いた。 特に、表現空間におけるデータポイントの表現方法、選択したサンプルを用いた公平距離の計算方法、各集合から使用可能なインスタンス数など、さまざまな要素の詳細な分析を行う。
  論文  参考訳（メタデータ） (2023-04-04T17:54:32Z)

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。