論文の概要: Beyond Emotion Prompts: Fine-Grained Text-to-Image Generation Driven by Valence-Arousal-Dominance

• arxiv url: http://arxiv.org/abs/2609.24215v1
• Date: Mon, 21 Sep 2026 07:33:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-22 20:29:01.183411
• Title: Beyond Emotion Prompts: Fine-Grained Text-to-Image Generation Driven by Valence-Arousal-Dominance
• Title（参考訳）: Emotion Promptsを超えて:Valence-Arousal-Dominanceによって駆動される細粒テキスト・画像生成
• Abstract要約: EMOTRANSは、心理的に基底付けられた原子価-覚醒-支配(VAD)座標を、コンテンツテキストに依存しない生成条件に変換する。 EMOTRANSは、競争力のあるテキストアライメントと画像品質を維持しながら、知覚可能で順応可能な連続的な変更を生成する。 この研究は、客観的な内容の描写を微妙な感情調整に拡張する、イメージ生成に対する実用的な感情駆動型アプローチを提供する。
• 参考スコア（独自算出の注目度）: 13.259948186143129
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Although text-to-image models can accurately depict subjects and scenes, creators still struggle to specify the fine-grained emotions an image should convey without rewriting its content description. Natural language can suggest emotions, but it offers no control scale with stable meanings and ordered intensities. We propose EMOTRANS, which transforms psychologically grounded valence-arousal-dominance (VAD) coordinates into generation conditions that are independent of the content text and modulated across denoising stages, making emotional style a finely adjustable creative variable. To support this goal, we construct EMOVAD, an art-painting dataset that pairs objective content descriptions with separately collected emotional ratings from multiple annotators. We also coordinate emotional expression and content preservation through dual-branch training with a shared model. Objective and human evaluations show that the framework improves the accuracy of three-dimensional emotion control and produces perceptible, orderable continuous changes while maintaining competitive text alignment and image quality. This work provides a practical emotion-driven approach to image generation that extends objective content depiction to fine-grained emotional adjustment.
• Abstract（参考訳）: テキスト・トゥ・イメージのモデルは、主題やシーンを正確に描写することができるが、クリエイターは、コンテンツ記述を書き換えることなく、画像が伝えるべき微妙な感情を特定するのに苦慮している。 自然言語は感情を示唆するが、安定した意味と順序付けられた強度を持つ制御尺度は提供しない。 EMOTRANSは、心理的に基底付けられた原子価-覚醒-支配(VAD)座標を、コンテンツテキストに依存しない生成条件に変換し、認知段階にわたって変調し、感情的なスタイルを微調整可能な創造的変数にする。 この目標を達成するために,複数のアノテータから別々に収集した感情評価と客観的なコンテンツ記述を組み合わせたアートペイントデータセットであるEMOVADを構築した。 また、共有モデルを用いた二重ブランチトレーニングにより、感情表現とコンテンツ保存を協調する。 客観的および人為的評価は,このフレームワークが3次元感情制御の精度を向上し,テキストアライメントと画像品質を維持しつつ,知覚的かつ順応可能な連続的な変化を生じさせることを示す。 この研究は、客観的な内容の描写を微妙な感情調整に拡張する、イメージ生成に対する実用的な感情駆動型アプローチを提供する。

関連論文リスト

• FACE-net: Factual Calibration and Emotion Augmentation for Retrieval-enhanced Emotional Video Captioning [81.33341786837974]
  Emotional Video Captioning (EVC) は、ビデオで表現される本質的な感情で事実を記述することを目的とした、新たなタスクである。 FActual and Emotion Augmentation (FACE-net) を用いた検索強化フレームワークを提案する。 FACE-netは、事実と感情のセマンティクスを協調的にマイニングし、生成のための適応的で正確なガイダンスを提供する。
  論文  参考訳（メタデータ） (2026-03-18T07:53:15Z)
• EmoCtrl: Controllable Emotional Image Content Generation [9.677863079897735]
  制御可能な感情画像コンテンツ生成(C-EICG)を導入する。 C-EICGは、対象の感情を表現しながら、所定のコンテンツ記述に忠実な画像を生成することを目的としている。 EmoCtrlは、コンテンツ、感情、感情的なプロンプトを付加したデータセットでサポートされている。
  論文  参考訳（メタデータ） (2025-12-27T02:18:36Z)
• EmoFeedback$^2$: Reinforcement of Continuous Emotional Image Generation via LVLM-based Reward and Textual Feedback [35.44748809967547]
  連続感情画像生成(C-EICG)のための新世代フィードバック強化パラダイム(EmoFeedback$2$)を提案する。 我々は、LVLMが生成した画像の感情価値を評価し、対象の感情に対する報酬を計算する感情認識型報酬フィードバック戦略を導入する。 提案手法は,所望の感情を持つ高品質な画像を効果的に生成し,我々のカスタムデータセットにおける既存の最先端の手法より優れている。
  論文  参考訳（メタデータ） (2025-11-25T06:51:15Z)
• Disentangle Identity, Cooperate Emotion: Correlation-Aware Emotional Talking Portrait Generation [63.94836524433559]
  DICE-Talkは、感情と同一性を切り離し、類似した特徴を持つ感情を協調するフレームワークである。 我々は、モーダル・アテンションを通して、音声と視覚の感情の手がかりを共同でモデル化するアンタングル型感情埋め込み装置を開発した。 次に,学習可能な感情バンクを用いた相関強化感情調和モジュールを提案する。 第3に、拡散過程における感情の一貫性を強制する感情識別目標を設計する。
  論文  参考訳（メタデータ） (2025-04-25T05:28:21Z)
• EmotiCrafter: Text-to-Emotional-Image Generation based on Valence-Arousal Model [23.26111054485357]
  連続感情画像コンテンツ生成(C-EICG)の新たな課題について紹介する。 本稿では,テキストプロンプトとValence-Arousal値に基づいて画像を生成する感情画像生成モデルであるEmotiCrafterを提案する。
  論文  参考訳（メタデータ） (2025-01-10T04:41:37Z)
• EmoEdit: Evoking Emotions through Image Manipulation [62.416345095776656]
  Affective Image Manipulation (AIM) は、特定の感情的な反応を誘発するために、ユーザーが提供する画像を修正しようとする。 本稿では,感情的影響を高めるためにコンテンツ修正を取り入れてAIMを拡張したEmoEditを紹介する。 本手法は定性的かつ定量的に評価され,従来の最先端技術と比較して優れた性能を示す。
  論文  参考訳（メタデータ） (2024-05-21T10:18:45Z)
• EmoGen: Emotional Image Content Generation with Text-to-Image Diffusion Models [11.901294654242376]
  本稿では,感情カテゴリを与えられた意味的明瞭で感情に忠実な画像を生成するための新しいタスクである感情画像コンテンツ生成(EICG)を紹介する。 具体的には、感情空間を提案し、それを強力なコントラスト言語-画像事前学習(CLIP)空間と整合させるマッピングネットワークを構築する。 本手法は,最先端のテクスト・ツー・イメージ・アプローチを定量的・質的に上回る。
  論文  参考訳（メタデータ） (2024-01-09T15:23:21Z)

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。