論文の概要: Bridging Adversarial and Collaborative Learning for AI-Generated Image Quality Assessment

• arxiv url: http://arxiv.org/abs/2608.24372v1
• Date: Tue, 25 Aug 2026 10:31:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-26 14:09:34.942094
• Title: Bridging Adversarial and Collaborative Learning for AI-Generated Image Quality Assessment
• Title（参考訳）: AIによる画像品質評価のための橋渡しと協調学習
• Abstract要約: 2つの次元は相互依存しており、人間の評価における競合的相互作用と協調的相互作用の両方を示す。 本稿では,認識・適応関係をモデル化する相互作用認識学習フレームワークを提案する。 我々の手法は最先端の精度を実現し、解釈可能な相互作用パターンも得る。
• 参考スコア（独自算出の注目度）: 22.05931323378059
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: AI-generated image quality assessment (AIGIQA) requires jointly reasoning about perceptual fidelity and prompt alignment, two quality dimensions that are often treated as independent in existing AIGIQA models. However, by re-examining human ratings, we uncover a previously overlooked phenomenon: the two dimensions are interdependent and exhibit both competitive and cooperative interactions during human rating. This observation suggests that a unified model should neither collapse the two dimensions nor rigidly separate them, but rather adaptively negotiate their interplay. Motivated by this insight, we introduce an interaction-aware learning framework that models perception-alignment relations through adversarial and collaborative inference pathways. Instead of designing a rigid dual-branch architecture, our method employs a gated interaction module that dynamically routes features according to the inferred relationship between the two dimensions. Task-aware prompts further modulate the gating behaviour, enabling the model to switch between competition and cooperation when necessary. Experiments across multiple AIGIQA benchmarks demonstrate that our approach not only achieves state-of-the-art accuracy but also yields interpretable interaction patterns, offering a more faithful approximation of human judgment. The codes are available at https://github.com/LQAMEI/ACL-IQA.
• Abstract（参考訳）: AI生成画像品質評価(AIGIQA)は、既存のAIGIQAモデルでは独立して扱われる2つの品質次元である知覚の忠実さと迅速なアライメントを共同で推論する必要がある。 しかし、人間の評価を再検討することで、これまで見過ごされていた現象が明らかとなり、この2つの次元は相互依存しており、人間の評価の間、競争的相互作用と協調的相互作用の両方を示す。 この観察は、統一されたモデルが2つの次元を崩壊させたり、厳密に分離したりせず、むしろそれらの相互作用を適応的に交渉するべきであることを示唆している。 この知見に触発されて、対向的および協調的推論経路を通して知覚配向関係をモデル化する相互作用認識学習フレームワークを導入する。 厳密なデュアルブランチアーキテクチャを設計する代わりに,2次元間の推論関係に応じて動的に特徴をルーティングするゲート・インタラクション・モジュールを用いる。 Task-awareはゲーティングの振る舞いをさらに調整し、必要に応じてモデルが競合と協力を切り替えることを可能にする。 複数のAIGIQAベンチマークを用いて実験したところ、我々の手法は最先端の精度を達成するだけでなく、解釈可能な相互作用パターンをもたらすことが示され、人間の判断をより忠実に近似することができる。 コードはhttps://github.com/LQAMEI/ACL-IQAで入手できる。

関連論文リスト

• Inter-X++: A Comprehensive Benchmark for Multimodal Human-Human Interaction Analysis [55.78822230833247]
  We present Inter-X++, a comprehensive and large-scale benchmark designed to empower useful HHI analysis。 インターX++は11,388個の高忠実な相互作用シーケンスと8.1Mフレームを提供する。 インタラクションの再構築と意味理解を協調的に最適化する,単一かつ統一されたHHI表現とモデリングフレームワークOpenHHIを提案する。
  論文  参考訳（メタデータ） (2026-08-20T17:51:48Z)
• Quantifying the Gap between Understanding and Generation within Unified Multimodal Models [66.07644743841007]
  GapEvalは、理解と生成能力のギャップを定量化するために設計されたベンチマークである。 実験により、幅広いUMMにわたる2つの方向の連続的なギャップが明らかになる。 以上の結果から,UMM内の知識は相容れないことが多いことが示唆された。
  論文  参考訳（メタデータ） (2026-02-02T14:19:37Z)
• Architecture Decoupling Is Not All You Need For Unified Multimodal Model [64.19284951218098]
  本稿では,トレーニング中のタスク-特定マルチモーダルインタラクションパターンを明示的に学習する,意図的インタラクションアライメント(AIA)の損失を提案する。 AIAは、横断的な注意パターンを洗練するだけでなく、生成と理解の両方のパフォーマンスも向上させる。
  論文  参考訳（メタデータ） (2025-11-27T17:55:25Z)
• ENACT: Evaluating Embodied Cognition with World Modeling of Egocentric Interaction [35.24704057622881]
  身体的認知は、知性は受動的観察よりも知覚的相互作用から生じると主張する。 我々は,エゴセントリックな相互作用から世界モデリングとしての認知の具体化を評価するベンチマークENACTを紹介する。
  論文  参考訳（メタデータ） (2025-11-26T00:06:02Z)
• Open-Vocabulary HOI Detection with Interaction-aware Prompt and Concept Calibration [42.24582981160835]
  オープンヒューマンオブジェクトインタラクション(HOI)は、人間とオブジェクト間のインタラクションを検出することを目的としている。 現在の手法はビジョンと言語モデル(VLM)に頼っていることが多いが、最適な画像エンコーダによる課題に直面している。 Interaction-aware Prompting with Concept (INP-CC) を提案する。
  論文  参考訳（メタデータ） (2025-08-05T08:33:58Z)
• Content-Distortion High-Order Interaction for Blind Image Quality Assessment [30.320196879451036]
  内容と歪みは、画像の視覚的品質に影響を与える2つの主要な要因として広く認識されている。 既存のNo-Reference Image Quality Assessment (NR-IQA) 法では、コンテンツと歪みの間の複雑な相互作用を捉えることができない。 我々は,階層的相互作用フレームワーク内で局所歪みとグローバルなコンテンツ特徴を集約する,CoDI-IQAと呼ばれる堅牢なNR-IQAアプローチを提案する。
  論文  参考訳（メタデータ） (2025-04-07T13:44:30Z)
• Towards a Unified Transformer-based Framework for Scene Graph Generation and Human-object Interaction Detection [116.21529970404653]
  本稿では,Transformerアーキテクチャに基づく一段階統一モデルであるSG2HOI+を紹介する。 本手法では,SGGとHOI検出のタスクをシームレスに統一する2つの対話型階層変換器を用いる。 提案手法は最先端のHOI法と比較して競争性能が向上する。
  論文  参考訳（メタデータ） (2023-11-03T07:25:57Z)
• Knowledge Guided Bidirectional Attention Network for Human-Object Interaction Detection [3.0915392100355192]
  HOIにおけるボトムアップ構文解析戦略の独立的利用は直感に反し、注意の拡散につながる可能性があると論じる。 HOIに新たな知識誘導型トップダウンアテンションを導入し、関係解析を「ルックアンドサーチ」プロセスとしてモデル化することを提案する。 一つのエンコーダ-デコーダモデルでボトムアップとトップダウンの注意を統一することで、プロセスを実装します。
  論文  参考訳（メタデータ） (2022-07-16T16:42:49Z)
• DCR-Net: A Deep Co-Interactive Relation Network for Joint Dialog Act Recognition and Sentiment Classification [77.59549450705384]
  ダイアログシステムでは、ダイアログアクト認識と感情分類は2つの相関タスクである。 既存のシステムのほとんどは、それらを別々のタスクとして扱うか、単に2つのタスクを一緒にモデル化するだけです。 本稿では,2つのタスク間の相互作用をモデル化するディープ・コ・インタラクティブ・リレーショナル・ネットワーク(DCR-Net)を提案する。
  論文  参考訳（メタデータ） (2020-08-16T14:13:32Z)
• Cascaded Human-Object Interaction Recognition [175.60439054047043]
  マルチステージで粗大なHOI理解のためのカスケードアーキテクチャを提案する。 各段階で、インスタンスローカライゼーションネットワークは、HOI提案を段階的に洗練し、インタラクション認識ネットワークにフィードする。 慎重に設計された人間中心の関係機能により、これらの2つのモジュールは効果的な相互作用理解に向けて協調的に機能する。
  論文  参考訳（メタデータ） (2020-03-09T17:05:04Z)

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。