論文の概要: Learning Color Grading, No Photo Sharing: Federated Aesthetic Preference Learning for Personalized Image Enhancement
- arxiv url: http://arxiv.org/abs/2607.27659v1
- Date: Thu, 30 Jul 2026 04:16:38 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-31 21:37:00.393368
- Title: Learning Color Grading, No Photo Sharing: Federated Aesthetic Preference Learning for Personalized Image Enhancement
- Title（参考訳）: カラーグレーディングを学習し、写真共有をしない:パーソナライズされた画像強調のためのフェデレーションされた美的選好学習
- Abstract要約: FedPAIEは、生の写真やレーティングを集中化せずに、ユーザ適応的なカラーグレーディングのためのフレームワークである。
FedPAIEは、ライトウェイトなデュアルキューの美的スコアラーを訓練し、小さなローカルサポートセットでパーソナライズされたスコアラーに校正し、ライトウェイトなCLUTエンハンサーの正規化をガイドするためにそれを凍結する。
MIT-Adobe FiveKとFlickr-AESの実験では、効果的なオープンワールドパーソナライゼーションと、ユーザの好みとイメージの忠実さのバランスが示されている。
- 参考スコア（独自算出の注目度）: 7.738456289897889
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Personalized image enhancement should reflect individual aesthetic taste, yet learning such preferences commonly depends on private photos and ratings that are unsuitable for centralized collection. The task must infer preference from sparse, heterogeneous feedback and translate it into natural-looking color transformations on resource-constrained user devices. We introduce FedPAIE, a federated personalized aesthetic image enhancement framework for user-adaptive color grading without centralizing raw photos or ratings. FedPAIE trains a lightweight dual-cue aesthetic scorer, calibrates it into a personalized scorer on a small local support set, and freezes it to guide regularized adaptation of a lightweight CLUT enhancer from unpaired local photographs. Fidelity constraints and an excess-gap penalty regularize scorer-guided adaptation to limit proxy-score over-optimization while preserving content and natural appearance. Training remains lightweight throughout the pipeline: scorer learning updates at most 0.787M parameters, enhancer adaptation updates 0.265M, and inference retains only a 0.293M-parameter personalized enhancer. Experiments on MIT-Adobe FiveK and Flickr-AES demonstrate effective open-world personalization and a favorable balance between user preference and image fidelity. FedPAIE thus connects decentralized preference learning with efficient personalized image transformation without requiring paired user retouches.
- Abstract（参考訳）: パーソナライズされた画像強調は、個々の美的嗜好を反映するべきであるが、そのような嗜好は、一般的に、集中収集には適さないプライベート写真やレーティングに依存している。
タスクはスパースで異質なフィードバックから好みを推測し、リソース制約のあるユーザデバイス上で自然な色変換に変換する必要があります。
FedPAIEは、写真や評価を集中化せずに、ユーザ適応カラーグレーディングのための、パーソナライズされたパーソナライズされた美的イメージ向上フレームワークである。
FedPAIEは、ライトウェイトなデュアルキュー美容スコアラーを訓練し、小さなローカルサポートセットでパーソナライズされたスコアラーに校正し、それを凍結して、ライトウェイトなCLUTエンハンサーの正規化を、未使用のローカル写真からガイドする。
フィデリティ制約と過剰ギャップペナルティは、コンテントと自然な外観を保ちながら、プロキシスコアオーバー最適化を制限するためにスコア誘導適応を規則化する。
スコアラーニング更新は最大0.787Mパラメータで、エンハンサー適応更新は0.265Mで、推論は0.293Mパラメータパーソナライズされたエンハンサーのみを保持する。
MIT-Adobe FiveKとFlickr-AESの実験では、効果的なオープンワールドパーソナライゼーションと、ユーザの好みとイメージの忠実さのバランスが示されている。
したがって、FedPAIEは、分散された嗜好学習と効率的なパーソナライズされたイメージ変換を、ペアのユーザリタッチを必要とせずに接続する。
関連論文リスト
- PALATE: Personalized Aesthetic Learning through Adaptive Taste Evolution for Multi-User Portrait Retouching [1.2101320329303853]
我々は、ポートレート編集のための共有報酬進化フレームワークであるPALATEを提案する。
各ユーザの報酬を,すべてのユーザが共有するグローバルバックボーンに分解する。
PPR10Kの有能な修正候補には、保留ユーザと保留イメージがあり、PALATEは72.83%のペアの選好予測精度を達成している。
論文 参考訳（メタデータ） (2026-08-19T07:16:19Z) - ZIPP:Zero-shot Image Personalization from Personas [25.359254229320086]
我々はペルソナ(ZipP)からゼロショット画像パーソナライズを導入する。
ZipPは、ユーザ固有のデータや重み更新を使わずに、自然言語のペルソナで画像を生成する。
インダクティブグラフ注意ネットワークを2200万ユーザRedditインタラクショングラフ上でトレーニングし、大規模にペルソナをマイニングする。
論文 参考訳（メタデータ） (2026-06-07T21:11:47Z) - 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) - Hollowed Net for On-Device Personalization of Text-to-Image Diffusion Models [51.3915762595891]
本稿では、デバイス上での主観的生成のための効率的なLoRAに基づくパーソナライズ手法を提案する。
提案手法はHollowed Netと呼ばれ,拡散U-Netのアーキテクチャを変更することにより,微調整時のメモリ効率を向上させる。
論文 参考訳（メタデータ） (2024-11-02T08:42:48Z) - DiffRetouch: Using Diffusion to Retouch on the Shoulder of Experts [45.730449182899754]
DiffRetouch という拡散型リタッチ方式。
4つの画像属性を調整可能とし、ユーザフレンドリーな編集機構を提供する。
テクスチャ歪みと制御感度の問題をそれぞれ扱うために,アフィン二元格子とコントラスト学習方式を導入する。
論文 参考訳（メタデータ） (2024-07-04T09:09:42Z) - 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) - Enhancement by Your Aesthetic: An Intelligible Unsupervised Personalized
Enhancer for Low-Light Images [67.14410374622699]
低照度画像のための知能的教師なしパーソナライズ・エンハンサー(iUPEnhancer)を提案する。
提案したiUP-Enhancerは、これらの相関関係とそれに対応する教師なし損失関数のガイダンスを用いて訓練される。
実験により,提案アルゴリズムは競合的な質的,定量的な結果が得られることを示した。
論文 参考訳（メタデータ） (2022-07-15T07:16:10Z) - User-Guided Personalized Image Aesthetic Assessment based on Deep
Reinforcement Learning [64.07820203919283]
本稿では,新しいユーザガイド型画像美観評価フレームワークを提案する。
深部強化学習(DRL)に基づく審美評価のためのユーザインタラクションを活用して画像のリタッチとランク付けを行う
パーソナライズされた審美分布は、異なるユーザの審美的嗜好とより一致している。
論文 参考訳（メタデータ） (2021-06-14T15:19:48Z) - NICER: Aesthetic Image Enhancement with Humans in the Loop [0.7756211500979312]
本研究は,完全,半自動,完全手動のプロセスにおいて,非参照画像強調に対するニューラルネットワークに基づくアプローチを提案する。
NICERは,ユーザインタラクションを伴わずに画像美学を向上し,ユーザインタラクションを可能とすることで,多様な改善結果が得られることを示す。
論文 参考訳（メタデータ） (2020-12-03T09:14:10Z) - Flexible Piecewise Curves Estimation for Photo Enhancement [85.96031673336012]
FlexiCurveは入力画像を取得し、大域曲線を推定して画像を調整します。
多様な推定と関連する信頼マップを生成するマルチタスクフレームワークとして定式化されている。
高速推論速度(NVIDIA 2080Ti GPUで83FPS)。
論文 参考訳（メタデータ） (2020-10-26T08:16:25Z)
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。