論文の概要: Discrete Annotation, Continuous Preference: Rethinking Supervision for Accurate and Generalizable Aesthetic Image Cropping

• arxiv url: http://arxiv.org/abs/2610.00582v1
• Date: Wed, 30 Sep 2026 18:48:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-03 01:19:23.720788
• Title: Discrete Annotation, Continuous Preference: Rethinking Supervision for Accurate and Generalizable Aesthetic Image Cropping
• Title（参考訳）: 離散アノテーション, 連続的嗜好: 正確な, 一般化可能な審美的イメージクロップのためのスーパービジョンの再考
• Abstract要約: 美的画像の収穫は、美学と構成の観点から、画像の最適な収穫物を特定することを目的としている。 既存のデータセットは,(1)ヒトの主観性と(2)固定サンプリンググリッドに限定した厳密な離散性に悩まされている。 そこで本研究では,人間の作物選好をマルチピーク,連続,シャープなフィールドとして,作物空間上での人間の作物選好をモデル化することを提案する。
• 参考スコア（独自算出の注目度）: 45.567678436253594
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Aesthetic image cropping aims to identify the optimal crop of an image in terms of aesthetics and composition. While supervision based on annotated data is fundamental, the field has been hindered by a long-standing problem: existing datasets suffer from (1) human subjectivity and (2) rigid discreteness confined to fixed sampling grids. These flawed annotations not only limit the accuracy and generalization of trained models but also severely distort fair evaluation. To overcome this, we propose to model human cropping preference as a multi-peaked, continuous, and sharp field over the crop space. We introduce the Continuous Preference Field (CPF), which recovers a dense preference landscape from discrete annotations through (1) peak clustering, (2) off-lattice refinement, (3) negative shaping, and (4) field assembly. Based on this, we train CPIC, a VLM-based cropping model optimized via GRPO with the CPF reward, which overcomes template collapse, achieving state-of-the-art performance and exceptional out-of-domain generalization. Finally, to resolve the long-standing benchmark evaluation crisis, we introduce CPICD, a comprehensive recalibration of existing ground-truth boxes. By leveraging the CPF to correct grid-bound artifacts across mainstream benchmarks, CPICD establishes a rigorous and reliable foundation for future cropping research. Extensive experiments and user studies demonstrate the superiority of our CPF, CPIC, and CPICD. Code, model, and data are available at https://github.com/zzqingz/CPIC.
• Abstract（参考訳）: 美的画像の収穫は、美学と構成の観点から、画像の最適な収穫物を特定することを目的としている。 注釈付きデータに基づく監視は基本的なものであるが、既存のデータセットは(1)人間の主観性と(2)固定されたサンプリンググリッドに限定された厳密な離散性に悩まされているという長年の問題によって、この分野は妨げられている。 これらの欠陥のあるアノテーションは、訓練されたモデルの正確性と一般化を制限するだけでなく、極めて歪んだ公正な評価も制限した。 これを解決するために、我々は、作物空間上の多ピーク、連続、鋭いフィールドとして、人間の作物の選好をモデル化することを提案する。 本研究では,(1)ピーククラスタリング,(2)オフラテインリファインメント,(3)負のシェーピング,(4)フィールドアセンブリを通じて,個々のアノテーションから密集した嗜好の景観を復元する連続選好場(CPF)を紹介する。 そこで我々は, テンプレート崩壊を克服し, 最先端性能を実現し, ドメイン外一般化を実現した, VLMベースの収穫モデルであるCPICを, GRPOにより最適化した。 最後に,長期間にわたるベンチマーク評価の危機を解決するため,既存の基盤トラスボックスを包括的に再校正するCPICDを導入する。 CPICDはCPFを活用して、主要なベンチマークでグリッドバウンドアーティファクトを補正することで、将来の収穫研究の厳格で信頼性の高い基盤を確立している。 CPF,CPIC,CPICDの優位性について検討した。 コード、モデル、データはhttps://github.com/zzqingz/CPICで入手できる。

関連論文リスト

• DBCF: Dual-Branch Complementary Fusion of Foundation Models for Generalized Deepfake Detection [43.58339450050692]
  偽造検出モデルは 様々な領域をまたいだ一般化と 目に見えない操作に苦慮する 本稿では,相補的な事前学習表現を統合した階層型多粒度フレームワークを提案する。 提案手法は,より包括的な偽造表現を学習し,高い操作性能を実現する。
  論文  参考訳（メタデータ） (2026-09-28T09:26:55Z)
• Pose Anything Anywhere:Model-free Object Poses from Arbitrary References [64.58017857473774]
  RGBとRGB-Dの両方の入力をシームレスにサポートするモデルフリーフレームワークであるPANYを提案する。 1つまたはスパースなポーズフリー参照ビューで動作し、新しいオブジェクトに効果的に一般化する。 複数のベンチマークで最先端のパフォーマンスを実現し、既存のモデルフリーメソッドを大幅に上回っている。
  論文  参考訳（メタデータ） (2026-06-22T17:23:57Z)
• CaC: Advancing Video Reward Models via Hierarchical Spatiotemporal Concentrating [49.94171749437024]
  本稿では,ビジョンランゲージモデルに基づく粗大な異常報酬モデルである集中と集中(CaC)を提案する。 フレーム単位のバウンディングボックスアノテーション,時間的異常ウィンドウ,微粒な属性ラベルを備えた,最初の大規模ビデオ異常データセットを構築した。 実験では、CaCは微妙な異常に安定して集中することができ、微細な異常ベンチマークの精度が25.7%向上した。
  論文  参考訳（メタデータ） (2026-05-12T08:08:33Z)
• EasyControlEdge: A Foundation-Model Fine-Tuning for Edge Detection [9.817969756082995]
  エッジ検出に画像生成基盤モデルを適用したEasyControlEdgeを提案する。 本研究は,非処理性評価と限られたトレーニングデータによる一貫した利得を示す。
  論文  参考訳（メタデータ） (2026-02-18T07:28:09Z)
• Benchmarking Zero-Shot Robustness of Multimodal Foundation Models: A Pilot Study [61.65123150513683]
  CLIPのようなマルチモーダル基盤モデルは、最先端のゼロショット結果を生成する。 これらのモデルは、ImageNetでトレーニングされた教師付きモデルのパフォーマンスを一致させることで、ロバスト性ギャップを埋めることが報告されている。 CLIPは、ベンチマーク上の教師付きImageNetモデルと比較して、かなりの堅牢性低下をもたらすことを示す。
  論文  参考訳（メタデータ） (2024-03-15T17:33:49Z)
• Data-iterative Optimization Score Model for Stable Ultra-Sparse-View CT Reconstruction [2.2336243882030025]
  スパースビューCT再構成のための反復最適化データスコアリングモデル(DOSM)を提案する。 DOSMはデータの一貫性をデータ一貫性要素に統合し、測定データと生成モデルの制約を効果的にバランスさせる。 我々はDOSM更新の最適化に従来の手法を活用している。
  論文  参考訳（メタデータ） (2023-08-28T09:23:18Z)
• Towards Automated Polyp Segmentation Using Weakly- and Semi-Supervised Learning and Deformable Transformers [8.01814397869811]
  ポリープセグメンテーションは大腸癌のコンピュータ診断への重要なステップである。 ポリプセグメンテーションの手法の多くは、ピクセル単位のアノテートデータセットを必要とする。 本稿では,弱い注釈付き画像のみを用いて,ラベルなし画像の活用によりトレーニング可能な新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-11-21T20:44:12Z)
• A Simple Baseline for Zero-shot Semantic Segmentation with Pre-trained Vision-language Model [61.58071099082296]
  オブジェクト検出やセマンティックセグメンテーションといった、より広範な視覚問題に対して、ゼロショット認識をどのようにうまく機能させるかは定かではない。 本稿では,既訓練の視覚言語モデルであるCLIPを用いて,ゼロショットセマンティックセマンティックセマンティックセマンティクスを構築することを目的とした。 実験結果から, この単純なフレームワークは, 従来の最先端をはるかに上回っていることが明らかとなった。
  論文  参考訳（メタデータ） (2021-12-29T18:56:18Z)
• More Photos are All You Need: Semi-Supervised Learning for Fine-Grained Sketch Based Image Retrieval [112.1756171062067]
  クロスモーダル検索のための新しい半監視フレームワークについて紹介する。 私たちの設計の中心には、連続したフォトツースケッチ生成モデルがあります。 また,不適切な生成を誘導する判別器誘導機構も導入する。
  論文  参考訳（メタデータ） (2021-03-25T17:27:08Z)

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。