論文の概要: AesCanvas: A Large-Scale Dataset and Benchmark for Aesthetic Critique and Contextual Suitability

• arxiv url: http://arxiv.org/abs/2608.26713v1
• Date: Thu, 27 Aug 2026 07:06:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-28 16:30:58.282526
• Title: AesCanvas: A Large-Scale Dataset and Benchmark for Aesthetic Critique and Contextual Suitability
• Title（参考訳）: AesCanvas: 美的批評とコンテキスト適合性のための大規模データセットとベンチマーク
• Abstract要約: 2つの補完的なコンポーネントを備えた統合スイートであるAesCanvasを紹介します。 我々は,クローズドソースフロンティア,オープンウェイトジェネラル,美学固有のMLLMを評価した。 その結果、批判生成と文脈に敏感な判断の明確な分離が明らかとなった。
• 参考スコア（独自算出の注目度）: 17.63357758723981
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recent advances in Multimodal Large Language Models (MLLMs) have extended Image Aesthetic Assessment (IAA) beyond scalar scores toward interpretable critique and guidance. Yet existing benchmarks mainly assess intrinsic visual quality or fixed domain criteria, leaving open whether an appealing image is appropriate for a specific purpose, audience, cultural setting, or domain convention. We introduce AesCanvas, a unified suite with two complementary components: CritiqueCanvas with 519,136 instruction-response pairs from 54,300 images supports long-form, multi-dimensional critique across photography, painting, and virtual imagery, whereas ContextCanvas with 301 expert-reviewed use scenarios evaluates contextual aesthetic suitability in realistic use scenarios. Under a unified protocol, we evaluate closed-source frontier, open-weight general, and aesthetic-specific MLLMs. Results reveal a clear separation between critique generation and context-sensitive judgment: reference-based lexical and semantic metrics only partially capture critique quality, while aesthetic specialists remain competitive on selected critique metrics yet substantially lag strong general-purpose MLLMs on ContextCanvas. Further analyses show that aesthetic specialization does not reliably transfer to contextual suitability and that model decisions may fail to track or ground themselves in decisive contextual visual cues. These findings establish culturally situated, evidence-grounded suitability as a distinct objective for aesthetic modeling.
• Abstract（参考訳）: MLLM(Multimodal Large Language Models)の最近の進歩は、スカラースコアを超えて画像審美評価(IAA)を解釈可能な批評とガイダンスへと拡張している。 しかし、既存のベンチマークは主に固有の視覚的品質または固定されたドメインの基準を評価し、魅力あるイメージが特定の目的、観客、文化的な設定、ドメインの慣例に適切かどうかを公開している。 54,300画像からの519,136個の命令応答対を持つCrytiqueCanvasは、写真、絵画、仮想画像にわたる長めの多次元の批評をサポートするが、ContextCanvasの301のエキスパートレビューされたユースケースシナリオは、現実的なユースケースにおけるコンテキストの美的適合性を評価する。 統一されたプロトコルでは、クローズドソースフロンティア、オープンウェイトジェネラル、および美学固有のMLLMを評価する。 基準に基づく語彙的および意味的指標は、部分的には批判的品質を捉えないが、審美的スペシャリストは、選択された批判的指標に対して競争的でありながら、ContextCanvas上の強力な汎用MLLMを実質的に遅延させる。 さらに分析したところ、審美的特殊化は文脈適合性に確実に移行せず、モデル決定が決定的な文脈的視覚的手がかりに自分自身を追跡または根拠づけることに失敗する可能性があることが示された。 これらの知見は、審美的モデリングの明確な目的として、文化的に位置し、エビデンスに基づく適合性を確立した。

関連論文リスト

• Deeply Interleaved Text-Image Contexts for Multimodal LLMs Assessment [57.41731607488101]
  TIC-Benchは、テキストイメージの手がかりを統合し、深くインターリーブされたコンテキストの中で真実の事実を復元するモデルの能力を評価するように設計されている。 また,10種類のMLLMを評価し,人的専門家と比較してかなりの性能差が認められた。
  論文  参考訳（メタデータ） (2026-09-02T13:19:51Z)
• CROP: Expert-Aligned Image Cropping via Compositional Reasoning and Optimizing Preference [8.129228105494434]
  美的画像トリミングは、空間的トリミングによってその構成を改善することにより、画像の美的品質を高めることを目的としている。 以前の手法は、しばしばサリエンシ予測や検索の強化に依存しており、タスクの中核的な要件である構成と美学の深い理解を無視している。 本稿では, 美学におけるVLMの分析・理解能力の活性化を目的とした, マルチモーダル推論タスクとして, 審美的作付けを再構築する新しいパラダイムを提案する。
  論文  参考訳（メタデータ） (2026-05-09T10:21:51Z)
• ITIScore: An Image-to-Text-to-Image Rating Framework for the Image Captioning Ability of MLLMs [84.09282931360089]
  ICBenchは、12のコンテンツカテゴリをカバーする大規模な画像キャプションベンチマークであり、2K画像の短いキャプションと長いキャプションで構成されている。 我々は、詳細な評価範囲で平均世論スコア(MOS)を得るために、広範囲にわたる主観的研究を行う。 画像からテキストへ画像への変換を行うフレームワークをベースとした自動評価基準であるtextbfitiscore を提案する。
  論文  参考訳（メタデータ） (2026-04-04T15:33:07Z)
• Human-Aligned MLLM Judges for Fine-Grained Image Editing Evaluation: A Benchmark, Framework, and Analysis [95.89328387635176]
  画像編集のための細粒度マルチモーダル大言語モデル (MLLM)-as-a-Judge フレームワークを提案する。 本稿では,人間の判断,MLLMに基づく評価,モデル出力,従来のメトリクスを統合した人為的評価ベンチマークを提案する。
  論文  参考訳（メタデータ） (2026-02-13T15:34:32Z)
• A Sketch+Text Composed Image Retrieval Dataset for Thangka [14.600552992453977]
  Composed Image Retrieval (CIR)は、複数のクエリーモダリティを組み合わせることで画像検索を可能にする。 CIRThanは、Thangkaイメージ用のスケッチ+テキストコンポジションイメージ検索データセットである。
  論文  参考訳（メタデータ） (2026-02-09T09:14:29Z)
• Bridging Cognitive Gap: Hierarchical Description Learning for Artistic Image Aesthetics Assessment [51.40989269202702]
  審美的品質評価タスクは,AIGCの定量的評価システムの開発に不可欠である。 本研究では,記述生成による美的次元の分離を図った芸術的画像の美的評価フレームワークであるArtQuantを提案する。 提案手法は,従来のトレーニングの33%しか必要とせず,いくつかのデータセット上での最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2025-12-29T12:18:26Z)
• Through the PRISm: Importance-Aware Scene Graphs for Image Retrieval [6.804414686833417]
  PRISmは2つの新しいコンポーネントを通して画像と画像の検索を促進するマルチモーダルフレームワークである。 Importance Prediction Moduleは、イメージ内で最も重要なオブジェクトとリレーショナルトリガを特定し、保持する。 Edge-Aware Graph Neural Networkは、リレーショナル構造を明示的にエンコードし、グローバルな視覚的特徴を統合して、セマンティックなインフォメーション画像の埋め込みを生成する。
  論文  参考訳（メタデータ） (2025-12-20T15:57:46Z)
• DEAR: Dataset for Evaluating the Aesthetics of RenderingDEAR: Dataset for Evaluating the Aesthetics of Rendering [3.4825648257080286]
  この研究は、画像描画スタイルの人間の美的判断をモデル化するために設計された新しいベンチマークデータセットを導入する。 このデータセットには、大規模なクラウドソーシングを通じて収集されたペアワイズ人間の選好スコアが含まれており、各画像ペアは、合計13,648人の異なる25人の評価者によって評価されている。 データ収集パイプラインが説明され、人間の投票パターンが分析され、スタイル選好予測、美的ベンチマーク、パーソナライズされた審美的モデリングなど、複数のユースケースが概説される。
  論文  参考訳（メタデータ） (2025-12-04T19:25:48Z)
• The Photographer Eye: Teaching Multimodal Large Language Models to Understand Image Aesthetics like Photographers [82.99499130882576]
  写真家でキュレーターのSzarkowskiは、一般的な視覚的理解と美的理解との間にある顕著なギャップの1つを洞察的に明らかにした。 プロの写真家と愛好家の間で広範囲にわたる議論から得られた新しいデータセットPhotoCritiqueを提示する。 また,複数の視点から画像美学を理解するために,言語誘導型多視点視覚融合機構を備えた新しいモデルPhotoEyeを提案する。
  論文  参考訳（メタデータ） (2025-09-23T02:59:41Z)
• Understanding Aesthetics with Language: A Photo Critique Dataset for Aesthetic Assessment [6.201485014848172]
  74K画像と220Kコメントを含むCritique Photo Redditデータセット(RPCD)を提案する。 我々は、美的判断の指標として批判の感情の極性を利用する。
  論文  参考訳（メタデータ） (2022-06-17T08:16:20Z)
• Metrics reloaded: Recommendations for image analysis validation [59.60445111432934]
  メトリクスのリロード(Metrics Reloaded)は、メトリクスの問題を意識した選択において研究者を導く包括的なフレームワークである。 このフレームワークは多段階のDelphiプロセスで開発され、問題指紋という新しい概念に基づいている。 問題指紋に基づいて、ユーザは適切なバリデーションメトリクスを選択して適用するプロセスを通じてガイドされる。
  論文  参考訳（メタデータ） (2022-06-03T15:56:51Z)
• Common Limitations of Image Processing Metrics: A Picture Story [58.83274952067888]
  本論文は, 画像レベルの分類, セマンティックセグメンテーション, インスタンスセグメンテーション, オブジェクト検出タスクと表現できるバイオメディカル画像解析問題に焦点を当てる。 現在のバージョンは、世界中の60以上の機関からの画像分析の専門家からなる国際コンソーシアムが実施するメトリクスに関するDelphiプロセスに基づいている。
  論文  参考訳（メタデータ） (2021-04-12T17:03:42Z)

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。