論文の概要: What We Talk About When We Talk About Emotion Editing

• arxiv url: http://arxiv.org/abs/2610.13558v1
• Date: Fri, 09 Oct 2026 13:13:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-13 04:06:29.5889
• Title: What We Talk About When We Talk About Emotion Editing
• Title（参考訳）: 感情編集について語るときの話
• Abstract要約: 8つの感情カテゴリにまたがる400のソースターゲットペアを分析します。 EmoEdit、EmoEditor、AffectDeltaの隠れた状態は、影響のある領域よりも視覚領域のターゲットイメージ応答に強く対応している。 ROI-ReFTは、ソース視覚応答をコンテンツ参照として、予測された感情応答変化を編集方向として組み合わせる。
• 参考スコア（独自算出の注目度）: 6.405134904406484
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Emotional image editing aims to change the emotion a scene conveys while preserving its essential content. Because the same scene can support different emotional interpretations, achieving an emotional goal requires visual changes grounded in the source context. Motivated by the Component Process Model, which links emotional responses to event appraisal, we investigate neural representations as a reference for these editing decisions. Using TRIBE v2, an fMRI encoding model, we analyze 400 source-target pairs across eight emotion categories. Hidden states from EmoEdit, EmoEditor, and AffectDelta correspond more strongly to predicted target-image responses in visual regions than in affect-related regions. This imbalance motivates ROI-ReFT, which combines source visual responses as a content reference with a predicted affective response change as an editing direction. Two interacting branches use both conditions to guide a frozen editor throughout generation. Predicted responses of the generated image supervise affective change and constrain visual drift. On a post hoc selected subset of 400 editing requests, ROI-ReFT achieves 91.75% target-emotion accuracy and 83.25% joint success, with the same output both matching the target emotion and reaching source-output DINO-I of at least 0.80. Our code and dataset will be publicly released.
• Abstract（参考訳）: 情緒的な画像編集は、シーンが持つ感情を変えながら、その本質的な内容を保存することを目的としている。 同じシーンは異なる感情的解釈をサポートすることができるため、感情的な目標を達成するには、ソースコンテキストに根ざした視覚的変化が必要である。 事象評価に感情反応を関連付けるコンポーネント・プロセス・モデルにより、これらの編集決定の基準として神経表現について検討する。 fMRI符号化モデルであるTRIBE v2を用いて、8つの感情カテゴリにまたがる400のソースターゲットペアを解析する。 EmoEdit、EmoEditor、AffectDeltaの隠れた状態は、影響のある領域よりも視覚領域のターゲットイメージ応答に強く対応している。 この不均衡は、ソース視覚応答をコンテンツ参照として、予測された感情応答変化を編集方向として組み合わせたROI−ReFTをモチベーションとする。 2つの相互作用するブランチは、世代を通して凍結したエディタをガイドするために両方の条件を使用する。 生成した画像の予測応答は、感情変化と制約的視覚的ドリフトを監督する。 400の編集要求からなるポストホック選択サブセットでは、ROI-ReFTは91.75%の目標感情精度と83.25%のジョイント成功を達成し、同じ出力はターゲットの感情と一致し、少なくとも0.80のソース出力DINO-Iに達する。 コードとデータセットは公開されます。

関連論文リスト

• AffectDelta: Beyond Emotion Labels for Image Editing [6.405134904406484]
  本稿では、8次元の感情分布の遷移として編集を扱うソース認識エディタAffectDeltaを紹介する。 凍結感情分布予測器は、ソース状態を推定し、署名されたソース対ターゲット差は、要求された遷移の方向と大きさを符号化する。 AffectDeltaの内部では、内部遷移エンコーダとソースを意識した拡散バックボーンが、この信号をコンテキスト依存のセマンティックおよび外観変化に変換する。
  論文  参考訳（メタデータ） (2026-09-02T13:56:59Z)
• 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)
• Towards Accurate Emotion-Attributed Video Captioning via Fine-grained Emotion-Cause Pair Extraction [47.762139272076126]
  Emotional Video Captioning(EVC)は、ビデオの事実的正確で感情的なリッチな記述を生成することを目的とした課題である。 既存のECV手法では、全体的視覚的特徴を利用して、世界的感情的手がかりを抽出し、マルチモーダルな特徴を集約し、感情的なキャプション生成を導く。 本稿では,感情対応ビデオキャプションのための微粒な感情原因対抽出フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-06-07T10:43:41Z)
• 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)
• Affective Image Editing: Shaping Emotional Factors via Text Descriptions [46.13506671212571]
  AIEdiT for Affective Image Editing using Text descriptions。 我々は、連続的な感情スペクトルを構築し、ニュアンスな感情的要求を抽出する。 AIEdiTは、ユーザの感情的な要求を効果的に反映して、優れたパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2025-05-24T13:46:57Z)
• 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)
• SOLVER: Scene-Object Interrelated Visual Emotion Reasoning Network [83.27291945217424]
  画像から感情を予測するために,SOLVER(Scene-Object Interrelated Visual Emotion Reasoning Network)を提案する。 異なるオブジェクト間の感情関係を掘り下げるために、まずセマンティックな概念と視覚的特徴に基づいて感情グラフを構築します。 また、シーンとオブジェクトを統合するScene-Object Fusion Moduleを設計し、シーンの特徴を利用して、提案したシーンベースのアテンションメカニズムでオブジェクトの特徴の融合プロセスを導出する。
  論文  参考訳（メタデータ） (2021-10-24T02:41:41Z)

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。