論文の概要: IECLA: Interpretable Emotion Contribution Learning for Affective Image Editing

• arxiv url: http://arxiv.org/abs/2610.25015v1
• Date: Sun, 18 Oct 2026 04:49:23 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-10-20 22:13:50.008889
• Title: IECLA: Interpretable Emotion Contribution Learning for Affective Image Editing
• Title（参考訳）: IECLA: 情緒的画像編集のための解釈型感情貢献学習
• Abstract要約: Interpretable Emotion Contribution Learning for Affective Image Editingは、ソース感情の属性とターゲット認識の編集を分離するフレームワークである。 IECLAは画像の内容と構造を保存しながら目標感情表現を一貫して強化することを示す。
• 参考スコア（独自算出の注目度）: 31.93886706666427
• License:
• Abstract: Affective image editing (AIE) aims to evoke a target emotion while preserving the content and structure of a source image. Existing methods improve emotional expression or visual fidelity, but the target emotion alone does not reveal which source regions should be changed and which should remain intact, especially in complex scenes. We introduce Interpretable Emotion Contribution Learning for Affective Image Editing (IECLA), a framework that separates source-emotion attribution from target-aware editing. IECLA constructs signed object-level supervision through counterfactual interventions and trains a context-conditioned contribution predictor to localize evidence that supports or opposes the source emotion. At inference, an image-level evaluator estimates the source emotion directly from the input, while the predictor identifies editable and preservation evidence without repeated interventions. A target-aware editing agent then translates this evidence and the desired emotion into localized, content-aware operations for existing editors. Extensive evaluations show that IECLA predicts counterfactual contributions more faithfully on both in-domain and cross-dataset tests, while external VLM and independent human references support the quality of its localized evidence. Across six editing backbones, IECLA consistently strengthens target-emotion expression while preserving image content and structure, and user studies further show improved perceived target expression and naturalness.
• Abstract（参考訳）: Affective Image editing (AIE)は、ソース画像の内容と構造を保存しながら、ターゲットの感情を誘発することを目的としている。 既存の方法は感情的表現や視覚的忠実性を改善するが、ターゲットの感情だけでは、どのソース領域を変更するべきか、そしてどの領域は、特に複雑な場面で、そのまま残るべきかを明らかにしない。 IECLA(Interpretable Emotion Contribution Learning for Affective Image Editing)を導入する。 IECLAは、反ファクト的介入を通じて署名されたオブジェクトレベルの監視を構築し、元の感情を支持したり反対したりする証拠をローカライズするために、コンテキスト条件のコントリビューション予測器を訓練する。 画像レベルの評価器は、入力から直接ソース感情を推定し、予測器は繰り返し介入することなく編集可能かつ保存可能な証拠を識別する。 ターゲット対応編集エージェントは、このエビデンスと所望の感情を、既存のエディターに対して局所的でコンテンツ対応の操作に変換する。 広範囲な評価の結果、IECLAはドメイン内およびデータセット間のテストにおいて、より忠実に反事実的貢献を予測する一方で、外部のVLMと独立した人間の参照は、その局所的な証拠の質を支持している。 IECLAは、6つの編集バックボーンにまたがって、画像の内容と構造を保ちながら目標感情表現を一貫して強化し、ユーザスタディでは、認識された目標表現と自然性をさらに改善した。

関連論文リスト

• Beyond Emotion Prompts: Fine-Grained Text-to-Image Generation Driven by Valence-Arousal-Dominance [13.259948186143129]
  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。
  論文  参考訳（メタデータ） (2026-09-21T07:33:28Z)
• 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)
• Towards LLM-centric Affective Visual Customization via Efficient and Precise Emotion Manipulating [6.478514718464069]
  本稿では,マルチモーダル LLM による主観的感情の修正の中で画像を生成することに焦点を当てた,感情的視覚カスタマイズ(L-AVC)タスクを提案する。 効率の良い感情間変換(EIC)モジュールを、編集前後のセマンティクスにおける感情変換を効率よく整合させるように調整し、その後に、感情に依存しないコンテンツを正確に保持する精密な感情保持(PER)モジュールを設ける。
  論文  参考訳（メタデータ） (2026-02-20T06:12:48Z)
• EmoKGEdit: Training-free Affective Injection via Visual Cue Transformation [7.245162028678732]
  EmoKGEditは、正確で構造を保った画像感情編集のための新しいトレーニング不要のフレームワークである。 オブジェクト,シーン,属性,視覚的手がかり,感情間の関係を乱すために,マルチモーダル・センティメント・アソシエーション・ナレッジグラフを構築した。 EmoKGEditは感情の忠実さとコンテンツ保存の両面で優れた性能を発揮し、最先端の手法よりも優れています。
  論文  参考訳（メタデータ） (2026-01-18T09:20:09Z)
• 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)
• Enjoy Your Editing: Controllable GANs for Image Editing via Latent Space Navigation [136.53288628437355]
  コントロール可能なセマンティックイメージ編集により、ユーザーはクリック数回で画像属性全体を変更できる。 現在のアプローチでは、絡み合った属性編集、グローバルなイメージアイデンティティの変更、フォトリアリズムの低下に悩まされることが多い。 本稿では,主に定性評価に焦点を当てた先行研究とは異なり,制御可能な編集性能を測定するための定量的評価手法を提案する。
  論文  参考訳（メタデータ） (2021-02-01T21:38:36Z)

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。