論文の概要: ReART: Reference-Guided Retrieval and Refinement for Emotion-Aware Art Generation
- arxiv url: http://arxiv.org/abs/2608.22329v1
- Date: Sun, 23 Aug 2026 09:56:30 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-25 13:29:43.72019
- Title: ReART: Reference-Guided Retrieval and Refinement for Emotion-Aware Art Generation
- Title（参考訳）: ReART: 感情認識型アートジェネレーションのためのレファレンスガイド検索とリファインメント
- Abstract要約: 本稿では,参照誘導型検索・改善フレームワークであるReARTを紹介する。
本手法は,EmoArtデータベース内のテストキャプションと画像アノテーションを構造化された視野に分解する。
我々のシステムは、AffectiveArt 2026 Grand Challengeのトラック1の2位にランクインし、完全なAAS1.00、総合スコア0.78を達成しました。
- 参考スコア（独自算出の注目度）: 8.10513799293732
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Emotion-aware artistic image generation requires a model to satisfy semantic content, artistic style, and target emotion simultaneously. The key challenge is that artistic captions conflate these axes into underspecified free-form text, making fine-grained visual attributes such as brushwork, composition, and tonal atmosphere difficult to ground concretely. We present ReART, a reference-guided retrieval and refinement framework. Our method decomposes test captions and each image annotation in the EmoArt database into structured visual fields, and performs field-wise retrieval over subject, layout, brush-line, and tone-mood dimensions to retrieve role-specific visual references that supply the perceptual detail text alone cannot convey; these references are used alongside a structured prompt for initial synthesis. For samples where any Attribute Alignment Score (AAS) axis falls below threshold, an AAS-driven refinement loop diagnoses failures, constructs constrained repair plans specifying elements to keep, errors to fix, and operations to avoid, routes references by correction purpose, and performs controlled editing under structural preservation constraints. Our system ranks 2nd in Track 1 of the AffectiveArt 2026 Grand Challenge, achieving a perfect AAS of 1.00 and an overall score of 0.78. Code is available at https://github.com/oceanflowlab/ReART.git.
- Abstract（参考訳）: 感情を意識した芸術的イメージ生成には、セマンティックコンテンツ、芸術的スタイル、ターゲット感情を同時に満足させるモデルが必要である。
重要な課題は、芸術的なキャプションがこれらの軸を不特定自由形態のテキストに分解し、筆画、作曲、音色といった細かい視覚的特性を具体化することを困難にしていることである。
本稿では,参照誘導型検索・改善フレームワークであるReARTを紹介する。
提案手法は,EmoArtデータベース内のテストキャプションと各画像アノテーションを構造化された視野に分解し,対象,レイアウト,ブラシライン,トーンモード次元のフィールドワイド検索を行い,知覚的詳細テキストのみに伝達できないロール固有な視覚参照を検索する。
アトリビュートアライメントスコア(AAS)軸がしきい値を下回るサンプルの場合、AAS駆動のリファインメントループは障害を診断し、保持する要素、修正するエラー、回避する操作を指定する制約付き修理計画を構築し、修正目的によって参照をルーティングし、構造的保存制約の下で制御された編集を実行する。
我々のシステムは、AffectiveArt 2026 Grand Challengeのトラック1の2位にランクインし、完全なAAS1.00、総合スコア0.78を達成しました。
コードはhttps://github.com/oceanflowlab/ReART.gitで入手できる。
関連論文リスト
- EmoStyle: Affective Conditioning of Style-Specialist Experts for Emotional Image Generation [50.22045436428303]
EmoStyleはZイメージベースのフレームワークで、入力プロンプトを構造化された生成状態に変換する。
各芸術スタイルのバケットに専用のLoRAアダプタをトレーニングし、推論中に対応する専門家を選択する。
軽量なVLM誘導候補選択ステップは、即時アライメント、スタイル整合性、感情表現、視覚的品質に基づいて生成した画像をランク付けする。
論文 参考訳（メタデータ） (2026-07-11T07:12:07Z) - PoSh: Using Scene Graphs To Guide LLMs-as-a-Judge For Detailed Image Descriptions [55.95282725491425]
PoShは、LLMs-as-a-Judgeをガイドするために、シーングラフを構造化ルーリックとして使用する詳細な画像記述のメトリクスである。
PoShはレプリカ可能で、解釈可能で、既存のメトリクスよりも人間のレーダのプロキシが優れている。
我々は,オープンウェイトな選択肢よりも,DOCENTにおける人間の判断とPoShの相関が強いことを示す。
論文 参考訳（メタデータ） (2025-10-21T20:30:20Z) - DECOR:Decomposition and Projection of Text Embeddings for Text-to-Image Customization [15.920735314050296]
本研究では、テキスト埋め込み行列を分解し、埋め込み空間の幾何学を理解するためにコンポーネント分析を行う。
不要なトークンベクトルに対してベクトル空間にテキスト埋め込みを投影するDECORを提案する。
実験により、DECORは最先端のカスタマイズモデルよりも優れていることが示された。
論文 参考訳（メタデータ） (2024-12-12T10:59:44Z) - Object-Attribute Binding in Text-to-Image Generation: Evaluation and Control [58.37323932401379]
現在の拡散モデルは、入力としてテキストプロンプトが与えられたイメージを生成するが、テキストで言及されている属性を画像の正しいオブジェクトに正しく結び付けるのに苦労する。
入力文中の構文的制約により視覚的注意マップを制御できる集中的横断注意(FCA)を提案する。
我々は、T2I生成の大幅な改善、特にいくつかのデータセットに対する属性オブジェクトのバインディングを示す。
論文 参考訳（メタデータ） (2024-04-21T20:26:46Z) - Paste, Inpaint and Harmonize via Denoising: Subject-Driven Image Editing
with Pre-Trained Diffusion Model [22.975965453227477]
textitPaste, Inpaint, Harmonize と呼ばれる新しいフレームワークをDenoising (PhD) を通じて導入する。
本実験では,主観的画像編集作業にPhDを適用し,参照対象のテキスト駆動シーン生成を探索する。
論文 参考訳（メタデータ） (2023-06-13T07:43:10Z) - iEdit: Localised Text-guided Image Editing with Weak Supervision [53.082196061014734]
テキスト誘導画像編集のための新しい学習法を提案する。
ソースイメージに条件付けされた画像とテキスト編集プロンプトを生成する。
画像の忠実度、CLIPアライメントスコア、および生成された画像と実際の画像の両方を定性的に編集する点において、画像に対して好ましい結果を示す。
論文 参考訳（メタデータ） (2023-05-10T07:39:14Z) - DEVICE: Depth and Visual Concepts Aware Transformer for OCR-based Image Captioning [12.786190263272859]
OCRをベースとした画像キャプションは重要だが未探索の課題である。
近年の研究は進歩を奨励しているが、シーンの全体的な理解の欠如に悩まされている。
我々は,OCRに基づく画像カプティノンのための深度・視覚認識概念変換器(DEVICE)を提案する。
論文 参考訳（メタデータ） (2023-02-03T04:31:13Z) - AI Illustrator: Translating Raw Descriptions into Images by Prompt-based
Cross-Modal Generation [61.77946020543875]
本稿では,複雑な意味論による生の記述を意味的に対応する画像に翻訳するフレームワークを提案する。
本フレームワークは,テキスト埋め込みから画像埋め込みへのプロンプトに基づくプロジェクションモジュールと,StyleGAN上に構築された適応画像生成モジュールの2つのコンポーネントから構成される。
本手法は,事前学習モデルに適合し,複雑な記述を処理でき,外部のペアデータを必要としない。
論文 参考訳（メタデータ） (2022-09-07T13:53:54Z) - Interactive Image Synthesis with Panoptic Layout Generation [14.1026819862002]
本稿では,Panoptic Layout Generative Adversarial Networks (PLGAN)を提案する。
PLGANは、アモルファス境界を持つ"stuff"と、明確に定義された形状を持つ"things"とを区別するパノプティクス理論を採用している。
我々は、COCO-Stuff、Visual Genome、Landscapeデータセット上の最先端のレイアウトベースモデルとPLGANを実験的に比較した。
論文 参考訳（メタデータ） (2022-03-04T02:45:27Z) - DAE-GAN: Dynamic Aspect-aware GAN for Text-to-Image Synthesis [55.788772366325105]
本研究では,文レベル,単語レベル,アスペクトレベルを含む複数の粒度からテキスト情報を包括的に表現する動的アスペクト・アワーン(DAE-GAN)を提案する。
人間の学習行動にインスパイアされた画像改善のためのADR(Aspect-aware Dynamic Re-drawer)を開発し,AGR(Attended Global Refinement)モジュールとALR(Aspect-aware Local Refinement)モジュールを交互に使用する。
論文 参考訳（メタデータ） (2021-08-27T07:20:34Z)
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。