論文の概要: AffectReveal: Event-Grounded Emotion Recognition Beyond Visual Appearances

• arxiv url: http://arxiv.org/abs/2609.36563v1
• Date: Tue, 29 Sep 2026 02:48:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-30 21:28:47.133886
• Title: AffectReveal: Event-Grounded Emotion Recognition Beyond Visual Appearances
• Title（参考訳）: AffectReveal: 視覚以外の感情認識
• Abstract要約: 事象中心感情認識(EGER)を定式化する 10,052本のビデオと10,734本の画像からなるEGER-Benchを11つの感情で構築する。 提案するAffectRevealは,まずエビデンスに基づく代替品を独立に構築・検証する,チューニング不要なフレームワークである。
• 参考スコア（独自算出の注目度）: 59.819731792217915
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Visual emotion recognition commonly assumes that all evidence required for prediction is contained in the observed image or video. Yet the same visible reaction can convey different emotions depending on events beyond the input: tears, for example, may indicate grief or joy. We formulate Event-Grounded Emotion Recognition (EGER), where emotion recognition requires recovering the affect-determining event. We construct EGER-Bench, comprising 10,052 videos and 10,734 images across 11 emotions, two source domains, and four visual settings. A study with six annotators shows that event context raises human recognition accuracy from 33.96% to 72.08%, confirming that visual evidence alone is often insufficient. Semantic relevance alone does not solve EGER: a plausible event may imply the wrong emotion if its identity, focal-person role, relationship, or outcome is misinterpreted. We therefore propose AffectReveal, a tuning-free framework that first constructs and independently verifies evidence-grounded alternatives over these affect-critical factors. It then cross-checks the recovered event against face-masked in-media facts through bidirectional atomic evidence support, while retaining the original unmasked input for final prediction. Across three downstream models and four input settings, AffectReveal yields average UAR gains of 5.26--10.53 points. For three fine-tunable models, it also enables untuned models to outperform their fine-tuned visual-only counterparts in all 12 accuracy comparisons, without updating downstream parameters.
• Abstract（参考訳）: 視覚的感情認識は一般的に、予測に必要なすべての証拠が観察された画像やビデオに含まれると仮定する。 しかし、同じ目に見える反応は、入力以外の出来事によって異なる感情を伝達することができる。 本研究では,感情認識が感情決定イベントの回復を必要とするイベント群感情認識(EGER)を定式化する。 EGER-Benchは,11つの感情,2つのソースドメイン,4つの視覚的設定を含む10,052の動画と10,734のイメージで構成されている。 6つのアノテータによる研究では、事象コンテキストは人間の認識精度を33.96%から72.08%に上げ、視覚的証拠だけでは不十分であることが確認されている。 セマンティックな関連性だけでは、EGERを解決しない: もっともらしい出来事は、そのアイデンティティ、焦点-人物の役割、関係、結果が誤って解釈された場合に、間違った感情を暗示する。 そこで本研究では,まず,これらの影響要因に対して,エビデンスに基づく代替案を独立に検証する,チューニング不要なフレームワークであるAffectRevealを提案する。 その後、双方向の原子的証拠支援を通じて、検索された事象を、対面した中間事実に対して横断的にチェックし、最終的な予測のために元の未知の入力を保持します。 3つの下流モデルと4つの入力設定で、AffectRevealの平均UARゲインは5.26--10.53ポイントである。 3つの微調整可能なモデルでは、下流パラメータを更新することなく、微調整された視覚のみのモデルよりも12の精度比較で優れた性能を発揮する。

関連論文リスト

• Benchmarking Dynamic Affective Reasoning: A Viewer-Centric Video Emotion Dataset [51.92925649424503]
  我々は、ビデオイベントに対する遷移と因果推論に影響を及ぼす視聴者中心の初めての大規模ベンチマークであるDynamic Affective Reasoningを紹介する。 Darには15,087の動画と36,908の感情セグメントがあり、27の感情カテゴリがアノテートされている。 Dar-R1は、感情的局所化と感情的推論の両方の観点から、動的感情的推論のための新しい最先端技術を設定する。
  論文  参考訳（メタデータ） (2026-07-11T09:58:29Z)
• Emotion is Not Just a Label: Latent Emotional Factors in LLM Processing [4.733799057798266]
  私たちは感情を、モデルがどのようにテキストに従属し、推論するかを形作る潜在要因として研究しています。 我々は、トランスモデルにおいて、感情的なトーンが注意構造を体系的にどう変化させるかを分析する。 トレーニング中に感情条件付き表現の漂流を制限する感情正規化フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-03-10T05:23:18Z)
• ADEPT: RL-Aligned Agentic Decoding of Emotion via Evidence Probing Tools -- From Consensus Learning to Ambiguity-Driven Emotion Reasoning [67.22219034602514]
  ADEPT(Agentic Decoding of Emotion via Evidence Probing Tools)は,感情認識をマルチターン探索プロセスとして再構成するフレームワークである。 ADEPTはSLLMを進化する候補感情を維持するエージェントに変換し、専用のセマンティックおよび音響探査ツールを適応的に呼び出す。 ADEPTは、ほとんどの設定において主感情の精度を向上し、微妙な感情の特徴を著しく改善することを示した。
  論文  参考訳（メタデータ） (2026-02-13T08:33:37Z)
• Revisiting Emotions Representation for Recognition in the Wild [15.292517580358528]
  複雑な感情状態を,一連の感情クラス上の確率分布として記述する新しい手法を提案する。 それぞれの分布に属する顔画像の確率を推定し、感情状態は感情の混合として記述できる。 予備的な実験では、この解の利点と新たな研究の方向性を説明する。
  論文  参考訳（メタデータ） (2026-02-06T15:32:12Z)
• Not all Blends are Equal: The BLEMORE Dataset of Blended Emotion Expressions with Relative Salience Annotations [36.02505876129164]
  BLEMOREは、マルチモーダル(ビデオ、オーディオ)混合感情認識のための新しいデータセットである。 58人の俳優による3000以上のクリップで構成され、6つの基本的な感情と10の異なるブレンドを実行する。 本研究では,2つの混合感情予測タスクにおける最先端映像分類手法の評価を行う。
  論文  参考訳（メタデータ） (2026-01-19T16:59:45Z)
• 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)
• Language Models (Mostly) Do Not Consider Emotion Triggers When Predicting Emotion [87.18073195745914]
  人間の感情が感情の予測において有意であると考えられる特徴とどのように相関するかを検討する。 EmoTriggerを用いて、感情のトリガーを識別する大規模言語モデルの能力を評価する。 分析の結果、感情のトリガーは感情予測モデルにとって健全な特徴ではなく、様々な特徴と感情検出のタスクの間に複雑な相互作用があることが判明した。
  論文  参考訳（メタデータ） (2023-11-16T06:20:13Z)
• x-vectors meet emotions: A study on dependencies between emotion and speaker recognition [38.181055783134006]
  話者認識のために学習した知識は、伝達学習を通じて感情認識に再利用可能であることを示す。 感情認識では,単純な線形モデルを用いることで,事前学習モデルから抽出した特徴の良好な性能が得られることを示す。 本稿では,感情が話者の検証に及ぼす影響について述べる。
  論文  参考訳（メタデータ） (2020-02-12T15:13:07Z)

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。