論文の概要: AdMuse: Skill-Guided Creative Advertising Image Generation
- arxiv url: http://arxiv.org/abs/2610.40190v1
- Date: Thu, 29 Oct 2026 14:47:22 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-02 08:01:08.524014
- Title: AdMuse: Skill-Guided Creative Advertising Image Generation
- Title（参考訳）: AdMuse: スキルを駆使したクリエイティブな広告画像生成
- Abstract要約: 本稿では、高品質な広告を再利用可能なクリエイティブスキルに蒸留する、スキル誘導型フレームワークであるAdMuseを紹介する。
生成時にAdMuseは、スキルルーティング、複数候補のアイデアと選択、VLM誘導のビジュアルリファインメントを調整します。
さまざまな製品やブランドのポジションでの実験は、AdMuseが視覚的に魅力的な広告を生み出していることを示している。
- 参考スコア（独自算出の注目度）: 46.44288926633582
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: An outstanding creative advertising image should both attract attention and communicate a product's positioning. How to choose a persuasive conceptual bridge before rendering begins is challenging for advertising generation. We present AdMuse, a skill-guided multi-agent framework that distills high-quality advertisements into reusable creative skills for cross-domain advertising strategy. Rather than retrieving isolated exemplars, AdMuse abstracts recurring bridge patterns into a skill library that can guide new product briefs. At generation time, AdMuse coordinates skill routing, multi-candidate ideation and selection, and VLM-guided visual refinement: diverse skills propose alternative concepts, relative judgment selects the most promising direction, and vision-language feedback helps realize the selected intent in the final image. This design treats advertising creativity as a structured decision process rather than a single prompt-writing step. Experiments across diverse product and brand positionings show that AdMuse produces visually compelling advertisements that faithfully communicate product positioning.
- Abstract（参考訳）: 優れたクリエイティブな広告画像は、注目を引き付け、製品の位置を伝えなければならない。
レンダリングが始まる前に、説得力のある概念的ブリッジをどうやって選ぶかは、広告生成にとって難しい。
本稿では,高品質な広告をドメイン間広告戦略のための再利用可能な創造的スキルに蒸留する,スキル誘導型マルチエージェントフレームワークであるAdMuseを紹介する。
独立した例を取り出すのではなく、AdMuseは、繰り返し発生するブリッジパターンを、新しい製品ブリーフィングをガイドできるスキルライブラリに抽象化する。
様々なスキルが代替概念を提案し、相対的判断が最も有望な方向を選択し、視覚言語によるフィードバックが最終画像における選択意図の実現に役立ちます。
このデザインは、広告クリエイティビティを、単一のプロンプト書き込みステップではなく、構造化された意思決定プロセスとして扱う。
さまざまな製品やブランドの配置に関する実験は、AdMuseが製品の位置を忠実に伝える視覚的に魅力的な広告を生み出していることを示している。
関連論文リスト
- Design Your Ad: Personalized Advertising Image and Text Generation with Unified Autoregressive Models [75.31791398000492]
広告画像とテキストの両方を生成するために,単一の自己回帰フレームワークを利用するUnified Advertisement Generative Model(Uni-AdGen)を開発した。
広告をよりパーソナライズするために、我々はUni-AdGenに粗い好み理解モジュールを装備する。
提案手法は,汎用的かつパーソナライズされた広告生成において,ベースラインを上回っている。
論文 参考訳（メタデータ） (2026-05-12T13:58:06Z) - NextAds: Towards Next-generation Personalized Video Advertising [46.666292153282875]
NextAdsは次世代のパーソナライズされたビデオ広告のためのパラダイムだ。
私たちは、パーソナライズされたクリエイティブ生成とパーソナライズされたクリエイティブ統合という2つの代表的なタスクを定式化します。
我々は初期の探索実験を行い、GenAIがパーソナライズされたクリエイティブを創造し、統合し、パフォーマンスを奨励できることを実証した。
論文 参考訳（メタデータ） (2026-03-02T17:58:07Z) - Creative4U: MLLMs-based Advertising Creative Image Selector with Comparative Reasoning [17.0088513334658]
本稿では,創造的評価と選択のための第1のパラダイムを提案する。
マルチモーダル大規模言語モデル(MLLM)を用いて,創造的画像の評価と選択を自然言語タスクに統合する。
私たちのコードとデータセットは、研究と産業の応用を進めるために公開されます。
論文 参考訳（メタデータ） (2025-08-18T05:11:30Z) - CTR-Driven Advertising Image Generation with Multimodal Large Language Models [53.40005544344148]
本稿では,Click-Through Rate (CTR) を主目的とし,マルチモーダル大言語モデル(MLLM)を用いた広告画像の生成について検討する。
生成した画像のCTRをさらに改善するため、強化学習(RL)を通して事前学習したMLLMを微調整する新たな報酬モデルを提案する。
本手法は,オンラインとオフラインの両方で最先端のパフォーマンスを実現する。
論文 参考訳（メタデータ） (2025-02-05T09:06:02Z) - Influencer: Empowering Everyday Users in Creating Promotional Posts via AI-infused Exploration and Customization [11.9449656506593]
Influenは、初心者クリエイターが高品質なプロモーションポストデザインを作るのを助けるインタラクティブなツールだ。
インフルエンサー内では,ユーザが直感的に新しいアイデアを生成できる多次元レコメンデーションフレームワークをコントリビュートする。
Influentialは、コンテキスト認識の画像とキャプション探索をサポートする総合的なプロモーションポストデザインシステムを実装している。
論文 参考訳（メタデータ） (2024-07-20T16:27:49Z) - Empowering Visual Creativity: A Vision-Language Assistant to Image Editing Recommendations [109.65267337037842]
IER(Image Editing Recommendation)の課題を紹介する。
IERは、入力画像から多様なクリエイティブな編集命令を自動生成し、ユーザの未指定の編集目的を表すシンプルなプロンプトを作成することを目的としている。
本稿では,Creative-Vision Language Assistant(Creativity-VLA)を紹介する。
論文 参考訳（メタデータ） (2024-05-31T18:22:29Z) - Cross-Element Combinatorial Selection for Multi-Element Creative in
Display Advertising [16.527943807941856]
本稿では,複数の創造的要素を対象としたクロスエレメント・コンビネーション・セレクション・フレームワークを提案する。
エンコーダプロセスでは、単一の創造的要素の表現を動的に調整するために、クロスエレメント相互作用を採用する。
実世界のデータセットの実験では、CECSがオフラインメトリクスのSOTAスコアを達成した。
論文 参考訳（メタデータ） (2023-07-04T09:32:39Z) - Persuasion Strategies in Advertisements [68.70313043201882]
我々は,説得戦略の広範な語彙を導入し,説得戦略を付加した最初の広告画像コーパスを構築した。
次に,マルチモーダル学習による説得戦略予測のタスクを定式化する。
我々は、Fortune-500社の1600件の広告キャンペーンについて、現実世界でケーススタディを実施している。
論文 参考訳（メタデータ） (2022-08-20T07:33:13Z) - Learning to Create Better Ads: Generation and Ranking Approaches for Ad
Creative Refinement [26.70647666598025]
i)新しい広告テキストを生成すること、(ii)新しい広告テキストにキーフレーズを推奨すること、(iii)画像タグ(画像中のオブジェクト)を推奨すること。
複数の広告主が実施したA/Bテストに基づいて、劣悪な広告クリエイティブと優良な広告クリエイティブのペアワイズな例を作成します。
また、Yahoo Geminiの広告プラットフォームからのデータを使って、実験から広く適用可能な洞察を共有しています。
論文 参考訳（メタデータ） (2020-08-17T16:46:28Z) - Recommending Themes for Ad Creative Design via Visual-Linguistic
Representations [27.13752835161338]
広告クリエイティブストラテジストのためのテーマ(キーワード)推薦システムを提案する。
テーマレコメンデータは、視覚的質問応答(VQA)タスクの結果の集約に基づく。
クロスモーダル表現は分類精度とランク付け精度を著しく向上させることを示した。
論文 参考訳（メタデータ） (2020-01-20T18:04:10Z)
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。