論文の概要: PALATE: Personalized Aesthetic Learning through Adaptive Taste Evolution for Multi-User Portrait Retouching

• arxiv url: http://arxiv.org/abs/2608.18622v1
• Date: Wed, 19 Aug 2026 07:16:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-20 20:13:55.317435
• Title: PALATE: Personalized Aesthetic Learning through Adaptive Taste Evolution for Multi-User Portrait Retouching
• Title（参考訳）: PALATE:マルチユーザ・ポートレート・リタッチのためのアダプティブ・テイスト進化によるパーソナライズされた審美学習
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 1.2101320329303853
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Automatic portrait retouching has advanced rapidly, yet its objective is inherently subjective: the same portrait admits multiple professionally valid results, and users disagree about which one is best. Most existing methods optimize a population-level aesthetic standard and therefore cannot capture individual taste, while fine-tuning a separate editing model for every user incurs prohibitive training, storage, and data costs. We propose PALATE, a shared reward-evolution framework that keeps the image editor fixed and instead personalizes the selection among retouched candidates of the same source portrait. PALATE decomposes the reward for each user into a global backbone shared by all users, category-level residuals shared by aesthetically similar users, and a lightweight user adapter, with anti-collapse regularizers keeping the three levels complementary.A cyclic dual-level distillation scheme first distills user-specific preferences into category rewards and then consolidates the resulting category-level knowledge into the global backbone, which is redistributed to initialize the next evolution round. In this way, the shared initialization improves progressively across rounds, enabling unseen users to be calibrated from only a few rankings. On expert-retouched candidates from PPR10K with held-out users and held-out images, PALATE attains 72.83% pairwise preference-prediction accuracy, surpassing all reward, aesthetic, and image-quality baselines, of which the strongest, PickScore, reaches 58.06%. Each new user costs only 512 bytes of user-specific parameters and millisecond-level scoring.
• Abstract（参考訳）: 自動的なポートレートリタッチは急速に進歩しているが、その目的は本質的に主観的であり、同じポートレートは複数の専門的に有効な結果を認めている。 既存のほとんどの方法は、集団レベルの審美基準を最適化しているため、個々の嗜好を捉えることはできない。 PALATEは画像エディタの修正を保ち、同じ画像の修正候補の中から選択をパーソナライズする共有報酬進化フレームワークである。 PALATEは、各ユーザの報酬を、すべてのユーザによって共有されるグローバルバックボーン、美的に類似したユーザによって共有されるカテゴリレベルの残差、および3つのレベルを補完する反崩壊正則化器を備えた軽量ユーザアダプタに分解する。循環二重レベル蒸留方式は、まず、ユーザ固有の嗜好をカテゴリ報酬に蒸留し、その結果のカテゴリレベルの知識をグローバルバックボーンに集約し、次の進化ラウンドを初期化するために再配布する。 このようにして、共有初期化はラウンド全体で徐々に改善され、見知らぬユーザーを少数のランキングからキャリブレーションできる。 PPR10Kで保持されたユーザと保持されたイメージを持つ専門家による候補に対して、PALATEは72.83%のペアワイドの嗜好予測精度を獲得し、すべての報酬、美学、画像品質のベースラインを越え、中でも最強のPickScoreは58.06%に達した。 新しいユーザーはそれぞれ512バイトのパラメータとミリ秒レベルのスコアリングしか必要としない。

関連論文リスト

• Learn What's Left, Not What's Mastered: Saturation Aware Advantage Reweighting for Multi-Reward Policy Optimization [60.89431018071735]
  グループ相対的な優位性を持つ強化学習は、訓練後の言語モデル推論のデファクトスタンダードとなっている。 異なる報酬プロファイルを持つロールアウトは、同じ利点を享受でき、現在の飽和度に関わらず、全ての目的が固定相対重みで最適化されることを示す。 本研究では,各報酬目標を独立に標準化し,目標飽和度をバッチレベルで推定した値に従って貢献を適応的に割引する飽和度認識再重み付けを導入する。
  論文  参考訳（メタデータ） (2026-08-17T04:07:50Z)
• Learning Color Grading, No Photo Sharing: Federated Aesthetic Preference Learning for Personalized Image Enhancement [7.738456289897889]
  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。
  論文  参考訳（メタデータ） (2026-07-30T04:16:38Z)
• RewardHarness: Self-Evolving Agentic Post-Training [51.16917192137169]
  RewardHarnessは、命令誘導画像編集のための自己進化型エージェント報酬フレームワークである。 ツールやスキルのライブラリを、100もの好みのデモから反復的に進化させることによって、人間の好みに合わせている。 画像編集評価ベンチマークの平均精度は47.4%で、GPT-5を5.3ポイント上回る。
  論文  参考訳（メタデータ） (2026-05-09T05:32:48Z)
• PreferRec: Learning and Transferring Pareto Preferences for Multi-objective Re-ranking [28.35373733496984]
  PreferRecは、ユーザ間でParetoの好みを明示的にモデル化し、転送する新しいフレームワークである。 具体的には、PreferRecは複数の競合する目標間のユーザ固有のトレードオフをインテントレベルで捉えることを目的としている。 Knowledge-Guided Transferは、効率的なユーザ間の知識伝達を容易にする。
  論文  参考訳（メタデータ） (2026-03-23T15:04:33Z)
• Beyond Match Maximization and Fairness: Retention-Optimized Two-Sided Matching [22.731829414580847]
  We introduced a dynamic learning-to-rank algorithm called Matching for Retention (MRet) 従来の二面マッチングアルゴリズムとは異なり、我々のアプローチは各ユーザのプロファイルとインタラクション履歴から保持曲線を学習することでユーザ保持をモデル化する。 MRetは、従来の手法では、保持よりもマッチやフェアネスを最適化するため、高いユーザ保持を実現する。
  論文  参考訳（メタデータ） (2026-02-17T17:30:53Z)
• P-GenRM: Personalized Generative Reward Model with Test-time User-based Scaling [66.55381105691818]
  P-GenRM(Personalized Generative Reward Model)を提案する。 P-GenRMは、選好信号を適応的なペルソナとスコアリングルーリックを導出する構造化評価チェーンに変換する。 さらにユーザをユーザプロトタイプにクラスタリングし、二重粒度スケーリングメカニズムを導入している。
  論文  参考訳（メタデータ） (2026-02-12T16:07:22Z)
• Minority-Aware Satisfaction Estimation in Dialogue Systems via Preference-Adaptive Reinforcement Learning [19.994184617064395]
  ユーザ満足度推定のための個人レベルの好みとグループレベルの好みの両方をモデル化する統合フレームワークを提案する。 Emotional Support Conversationデータセットの実験では、ユーザ満足度推定における一貫した改善が示されている。
  論文  参考訳（メタデータ） (2025-11-07T16:34:03Z)
• Synergy and Diversity in CLIP: Enhancing Performance Through Adaptive Backbone Ensembling [58.50618448027103]
  コントラスト言語-画像事前学習(CLIP)は画像表現学習において顕著な手法である。 本稿では,CLIPを訓練した視覚バックボーンの違いについて検討する。 方法によって、最高の単一のバックボーンよりも39.1%の精度が著しく向上する。
  論文  参考訳（メタデータ） (2024-05-27T12:59:35Z)
• Eliciting User Preferences for Personalized Multi-Objective Decision Making through Comparative Feedback [76.7007545844273]
  目的に対して異なるユーザの好みに対応する多目的意思決定フレームワークを提案する。 我々のモデルは、ベクトル値の報酬関数を持つマルコフ決定プロセスで構成され、各ユーザが未知の選好ベクトルを持つ。 少数の比較クエリを用いて,ユーザに対してほぼ最適なポリシを求めるアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-02-07T23:58:19Z)
• 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)

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。