論文の概要: Sense it with your eyes: Sensation Generation and Understanding for Advertisements

• arxiv url: http://arxiv.org/abs/2607.25314v1
• Date: Tue, 28 Jul 2026 05:52:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-29 20:50:42.723376
• Title: Sense it with your eyes: Sensation Generation and Understanding for Advertisements
• Title（参考訳）: 目でわかる「感覚生成」と「理解」
• Abstract要約: 本稿では,感覚広告の理解,評価,生成に関する最初の研究を紹介する。 本研究では,人間の判断と強く一致したセンセーション評価尺度であるSenseScoreを提案する。 我々の研究は、知覚認識による視覚的説得の基礎を確立している。
• 参考スコア（独自算出の注目度）: 23.43596449791477
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Sensory advertising evokes human senses through visual cues, enabling audiences to mentally simulate experiences and increasing persuasive impact. Despite the recent increase in using AI in generating and understanding creative and persuasive content, how advertisements visually evoke sensations remains largely unexplored. In this work, we introduce the first study of understanding, evaluating, and generating sensory ads. We introduce the Sensory Ad dataset, and define sensation classification tasks (SenseClass) to benchmark LLMs and MLLMs. We further propose SenseScore, an automated evaluation metric for sensation evocation achieving strong agreement with human judgments. Finally, we introduce the Sensory Ad Generation (SenseGen) task and propose SAGA, a multi-agent framework that improves message image alignment, sensory evocation, and persuasion. Our work establishes a foundation for sensory-aware visual persuasion.
• Abstract（参考訳）: 感覚広告は視覚的な手がかりを通じて人間の感覚を誘発し、観客が精神的に体験をシミュレートし、説得力を高める。 創造的で説得力のあるコンテンツの生成と理解にAIを使うことが最近増えているにもかかわらず、広告が視覚的にセンセーションを誘発する方法はほとんど解明されていない。 本研究では,感覚広告の理解,評価,生成に関する最初の研究を紹介する。 本稿では、Sensory Adデータセットを導入し、LLMとMLLMをベンチマークするセンセーショナル分類タスク(SenseClass)を定義する。 また,人間の判断と強く一致した感覚評価尺度であるSenseScoreを提案する。 最後に、感覚広告生成(SenseGen)タスクを導入し、メッセージ画像アライメント、感覚誘発、説得を改善するマルチエージェントフレームワークSAGAを提案する。 我々の研究は、知覚認識による視覚的説得の基礎を確立している。

関連論文リスト

• Sens-VisualNews: A Benchmark Dataset for Sensational Image Detection [8.21302918994687]
  本稿では,刺激的,挑発的,あるいは感傷的特徴を含む画像が,注意を惹きつけ,強い情緒的反応を誘発するかどうかを判断することを目的とした感傷的イメージ検出の課題を紹介する。 このタスクの研究を支援するために,ニュース項目から9,576個の画像を含む新しいベンチマークデータセット(Sens-VisualNews)を作成し,その視覚内容に様々なセンセーショナルな概念やイベントが存在することを示す。
  論文  参考訳（メタデータ） (2026-05-11T11:38:32Z)
• A Vision for Multisensory Intelligence: Sensing, Science, and Synergy [32.03738031386344]
  本稿は,今後10年間の多感覚人工知能研究の展望を概説する。 この新しいテクノロジーは、人間とAIがどのように経験し、相互に相互作用するかを変えることができる。 センサーの研究は、AIがデジタルメディアを超えて、より豊かな方法で世界を捉える方法を広げるべきである。 我々は、モダリティと人間とAIの相乗効果を学ぶための新しい技術的課題を提示する。
  論文  参考訳（メタデータ） (2026-01-08T03:46:20Z)
• SensorLM: Learning the Language of Wearable Sensors [50.95988682423808]
  本稿では,自然言語によるウェアラブルセンサデータ理解を可能にするセンサ言語基盤モデルのファミリーであるSensorLMを紹介する。 本稿では,センサデータから統計的,構造的,意味的な情報を収集する階層的なキャプション生成パイプラインを提案する。 このアプローチにより、これまでで最大のセンサー言語データセットのキュレーションが可能となり、103,000人以上から5970万時間以上のデータを収集した。
  論文  参考訳（メタデータ） (2025-06-10T17:13:09Z)
• Sentient Agent as a Judge: Evaluating Higher-Order Social Cognition in Large Language Models [75.85319609088354]
  SAGE(Sentient Agent as a Judge)は、大規模言語モデルの評価フレームワークである。 SAGEは人間のような感情の変化や内的思考をシミュレートするSentient Agentをインスタンス化する。 SAGEは、真に共感的で社会的に適応的な言語エージェントへの進捗を追跡するための、原則付き、スケーラブルで解釈可能なツールを提供する。
  論文  参考訳（メタデータ） (2025-05-01T19:06:10Z)
• Bridging Cognition and Emotion: Empathy-Driven Multimodal Misinformation Detection [56.644686934050576]
  ソーシャルメディアは情報発信の主流となっているが、誤報の急速な拡散を助長している。 従来の誤報検出法は主に表面的な特徴に焦点を合わせ、伝播過程における人間の共感の重要な役割を見落としている。 著者と読者の両方の視点から誤情報を分析するために、認知的・感情的共感を統合したデュアル・アスペクト・共感フレームワーク(DAE)を提案する。
  論文  参考訳（メタデータ） (2025-04-24T07:48:26Z)
• Sniff AI: Is My 'Spicy' Your 'Spicy'? Exploring LLM's Perceptual Alignment with Human Smell Experiences [12.203995379495916]
  この研究は、嗅覚、人間の嗅覚に焦点をあてている。 筆者らは40名の被験者とともにユーザスタディを行い、AIが人間の匂いの描写をいかに解釈できるかを調べた。 その結果、レモンやペパーミントのような特定の香りに偏った知覚的アライメントが限られており、ローズマリーのような他者の識別に失敗し続けた。
  論文  参考訳（メタデータ） (2024-11-11T12:56:52Z)
• By My Eyes: Grounding Multimodal Large Language Models with Sensor Data via Visual Prompting [24.39281384670957]
  マルチモーダル大言語モデル(MLLM)を用いたセンサデータに対する視覚的プロンプト手法を提案する。 我々は,MLLMの視覚的プロンプトを設計し,ターゲットの知覚タスク記述と並行して可視化されたセンサデータを活用する。 本研究は,4つの知覚モダリティを含む9つの感覚タスクに対するアプローチを評価し,テキストベースのプロンプトよりも平均10%高い精度を達成する。
  論文  参考訳（メタデータ） (2024-07-15T01:33:54Z)
• How are Prompts Different in Terms of Sensitivity? [50.67313477651395]
  本稿では,関数の感度に基づく包括的即時解析を提案する。 出力に対する入力トークンの関連性に異なるプロンプトがどう影響するかを実証的に示すために、勾配に基づく唾液度スコアを使用する。 本稿では, 感度推定をペナルティ項として組み込んだ感度認識復号法を標準グリーディ復号法で導入する。
  論文  参考訳（メタデータ） (2023-11-13T10:52:01Z)
• The ObjectFolder Benchmark: Multisensory Learning with Neural and Real Objects [51.22194706674366]
  マルチセンサーなオブジェクト中心学習のための10のタスクからなるベンチマークスイートであるObject Benchmarkを紹介した。 また,100個の実世界の家庭用オブジェクトに対するマルチセンサー計測を含む,オブジェクトリアルデータセットについても紹介する。
  論文  参考訳（メタデータ） (2023-06-01T17:51:22Z)
• Exploring the Sensory Spaces of English Perceptual Verbs in Natural Language Data [0.40611352512781856]
  エージェント対経験的区別から分析された英語の最も頻繁な知覚動詞に着目した。 本研究では,分散-意味的単語埋め込みとクラスタリングモデルに基づくデータ駆動型アプローチについて報告する。
  論文  参考訳（メタデータ） (2021-10-19T03:58:44Z)
• Semantics-aware Adaptive Knowledge Distillation for Sensor-to-Vision Action Recognition [131.6328804788164]
  本稿では,視覚・センサ・モダリティ(動画)における行動認識を強化するためのフレームワーク,Semantics-Aware Adaptive Knowledge Distillation Networks (SAKDN)を提案する。 SAKDNは複数のウェアラブルセンサーを教師のモダリティとして使用し、RGB動画を学生のモダリティとして使用している。
  論文  参考訳（メタデータ） (2020-09-01T03:38:31Z)

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。