論文の概要: Learned Parametric Emotion Editing: Real-Time Affective Filtering for On-Device Social Media Video

• arxiv url: http://arxiv.org/abs/2609.21624v1
• Date: Fri, 18 Sep 2026 11:04:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-21 18:40:17.029224
• Title: Learned Parametric Emotion Editing: Real-Time Affective Filtering for On-Device Social Media Video
• Title（参考訳）: 学習したパラメトリック感情編集:オンデバイスソーシャルメディアビデオのためのリアルタイム感情フィルタリング
• Abstract要約: 問題のあるインターネット利用は人口の増加に影響を及ぼすが、時間制限、ブロック、強制中断、強制的で容易に回避できる。 我々は、視覚的コンテンツの感情的な強さを適応させるという、より制約の少ない方法を模索する。 私たちは、この変換を単一のフォワードパスで予測するモデルを学びます。 われわれはこのモデルをAndroidアプリに統合し、リアルタイムでInstagramビデオに適応し、Samsung Galaxy S23上で60fpsを持続する。
• 参考スコア（独自算出の注目度）: 2.2940141855172036
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Problematic internet use affects a growing share of the population, yet common interventions, e.g., time limits, blocking, forced breaks, are coercive and easily circumvented. We explore a less restrictive alternative: adapting the emotional intensity of visual content. Prior work has shown that optimization can steer an image's affective content, but its per-image optimization cost makes it impractical for real-time deployment. We instead learn a model that predicts this transformation in a single forward pass: a MobileNetV4 backbone with FiLM-based emotion conditioning outputs parameters for differentiable global transformations. This replaces prior iterative optimization (80 s per image) with a single 3.7 ms forward pass. In a user study (N = 54), the model reduced viewer-reported arousal relative to unedited images, comparably to the grayscale well-being filter, while being rated higher in perceived quality. We integrate the model into an Android app that adapts Instagram video in real time, sustaining 60 fps on a Samsung Galaxy S23.
• Abstract（参考訳）: 問題のあるインターネット利用は人口の増加に影響を及ぼすが、例えば、時間制限、ブロック、強制中断、強制的回避といった一般的な介入は、強制的かつ容易に回避される。 我々は、視覚的コンテンツの感情的な強さを適応させるという、より制約の少ない方法を模索する。 以前の研究によると、最適化はイメージの感情的なコンテンツを操縦できるが、画像ごとの最適化コストは、リアルタイムデプロイメントでは実用的ではない。 代わりに、この変換を単一のフォワードパスで予測するモデルを学ぶ:FiLMベースの感情条件付きMobileNetV4バックボーンは、微分可能なグローバル変換のパラメータを出力する。 これは、事前反復最適化(画像毎80秒)を1つの3.7msフォワードパスで置き換える。 ユーザスタディ(N = 54)では、未編集画像に対する視聴者の覚醒度を減らし、グレースケールのウェルビーイングフィルタと同等に比較し、知覚品質を高く評価した。 われわれはこのモデルをAndroidアプリに統合し、リアルタイムでInstagramビデオに適応し、Samsung Galaxy S23上で60fpsを持続する。

関連論文リスト

• MobileWan: Closing the Quality Gap for Mobile Video Diffusion [53.20920841863923]
  MobileWanは、商用モバイルデバイスにデプロイ可能な最初の5Bスケールビデオ拡散モデルである。 システムでは5秒の480x832ビデオが16 FPSで20秒間のレイテンシで生成され、VBenchスコアは83.79である。
  論文  参考訳（メタデータ） (2026-07-07T11:52:46Z)
• FramePainter: Endowing Interactive Image Editing with Video Diffusion Priors [64.54220123913154]
  本稿では,画像から映像への効率のよい生成問題としてFramePainterを紹介した。 軽量のスパース制御エンコーダのみを使用して編集信号を注入する。 従来の最先端の手法をはるかに少ないトレーニングデータで上回ります。
  論文  参考訳（メタデータ） (2025-01-14T16:09:16Z)
• Snap Video: Scaled Spatiotemporal Transformers for Text-to-Video Synthesis [69.83405335645305]
  映像生成領域に画像モデルの進化をもたらすことによって、動きの忠実度、視覚的品質、スケーラビリティを損なうことが議論されている。 この作業では、これらの課題に体系的に対処するビデオファーストモデルであるSnap Videoを構築します。 画像生成の背後にあるワークホースであるU-Netは、ビデオ生成時に低スケールであり、計算オーバーヘッドがかなり必要であることを示す。 これにより、初めて数十億のパラメータを持つテキスト・ビデオモデルを効率的にトレーニングし、多数のベンチマークで最先端の結果に到達し、はるかに高い品質、時間的一貫性、動きの複雑さの動画を生成することができる。
  論文  参考訳（メタデータ） (2024-02-22T18:55:08Z)
• ZeroI2V: Zero-Cost Adaptation of Pre-trained Transformers from Image to Video [15.952896909797728]
  ビデオ領域に画像モデルを適用することは、ビデオ認識タスクを解くための効率的なパラダイムとして現れている。 最近の研究は、パラメータ効率のよい画像から映像への適応に焦点を移している。 画像変換器をビデオ認識タスクに転送する新たな適応パラダイム(ZeroI2V)を提案する。
  論文  参考訳（メタデータ） (2023-10-02T16:41:20Z)
• Learning Neural Volumetric Representations of Dynamic Humans in Minutes [49.10057060558854]
  本稿では,視覚的品質の競争力のある映像から,ダイナミックな人間のニューラルボリューム映像を学習するための新しい手法を提案する。 具体的には、ネットワークの表現力をよりよく人体に分散させるために、新しい部分ベースのボクセル化人間表現を定義する。 実験により,従来のシーンごとの最適化手法よりも100倍高速に学習できることが実証された。
  論文  参考訳（メタデータ） (2023-02-23T18:57:01Z)
• Real-Time Image Demoireing on Mobile Devices [59.59997851375429]
  本稿では,モバイルデバイス上でのリアルタイム展開に向けた動的復号化高速化手法(DDA)を提案する。 私たちの刺激は、モアレパターンが画像全体に不均衡に分散されることが、シンプルで普遍的な事実に起因しています。 提案手法は推定時間を劇的に短縮し,モバイルデバイス上でリアルタイムな画像復調を実現する。
  論文  参考訳（メタデータ） (2023-02-04T15:42:42Z)
• Real-Time Video Inference on Edge Devices via Adaptive Model Streaming [9.101956442584251]
  携帯電話やドローンなどのエッジデバイス上でのリアルタイムビデオ推論は、Deep Neural Networksのコストが高いため、難しい。 本稿では、エッジデバイス上での映像推論のための効率的な軽量モデルの性能向上のための新しいアプローチであるAdaptive Model Streaming (AMS)を提案する。
  論文  参考訳（メタデータ） (2020-06-11T17:25:44Z)
• MVStylizer: An Efficient Edge-Assisted Video Photorealistic Style Transfer System for Mobile Phones [39.94170753983804]
  携帯電話用エッジアシスト型ビデオ転送システムであるMVStylizerを提案する。 MVStylizerは、最先端の方法に比べて、より優れた視覚的品質でスタイリングされたビデオを生成することができる。
  論文  参考訳（メタデータ） (2020-05-24T00:54:27Z)
• Recognizing Instagram Filtered Images with Feature De-stylization [81.38905784617089]
  本稿では,Instagramのフィルターによって,事前学習モデルがどのような影響を受けているかについて検討する。 画像のグローバルな外観を変えるだけの単純な構造保存フィルタは、畳み込み特徴空間に大きな違いをもたらす可能性が示唆された。 我々は,特徴マップのスケーリングとシフトに使用されるパラメータを予測し,フィルタによって引き起こされる変化を“無視”する,軽量なデスティル化モジュールを導入する。
  論文  参考訳（メタデータ） (2019-12-30T16:48:16Z)

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。