論文の概要: Q-CamTuning: A Multimodal Large Language Model for Fine-Grained Quality Reasoning in Livestreaming Camera Tuning

• arxiv url: http://arxiv.org/abs/2611.03007v1
• Date: Mon, 02 Nov 2026 12:10:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-06 13:57:50.517484
• Title: Q-CamTuning: A Multimodal Large Language Model for Fine-Grained Quality Reasoning in Livestreaming Camera Tuning
• Title（参考訳）: Q-CamTuning:ライブストリーミングカメラチューニングにおける高品質推論のためのマルチモーダル大言語モデル
• Abstract要約: ライブストリーミングカメラチューニングのためのマルチモーダル大言語モデルであるQ-CamTuningを開発した。 FGLive-Commentsに基づいて,ライブストリーミングカメラチューニングのためのマルチモーダル大規模言語モデルであるQ-CamTuningを開発した。 実験結果から,Q-CamTuningは既存のIQAモデルよりも品質スコアと微細な画像ペアランキングで優れていた。
• 参考スコア（独自算出の注目度）: 33.15267150489972
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: With the popularization of livestreaming applications, automatic camera tuning has become indispensable for ordinary users to enjoy high Quality of Experience (QoE). However, the existing Image Quality Assessment (IQA) methods face two challenges in camera tuning. First, they struggle to identify subtle quality difference between images, which is common in camera tuning. Second, the ability to explain fine-grained differences and to provide suggestions for camera tuning are even more lacking. To address these challenges, we first construct FGLive-Comments, an instruction tuning dataset with rich annotations of both preferences for fine-grained image pairs and quality reasoning from global and local visual evidence, which supports selective adjustment recommendations of camera parameters. Based on FGLive-Comments, we develop Q-CamTuning, a multimodal large language model for livestreaming camera tuning. Its progressive perception-evidence-guidance framework learns quality-aware visual representations, enhances fine-grained reasoning with global-local evidence, and maps quality issues to camera-parameter adjustment directions. Extensive experimental results demonstrate that Q-CamTuning outperforms existing IQA models in both quality scoring and fine-grained image pair ranking. User study also validates its ability to recommend camera tuning suggestions.
• Abstract（参考訳）: ライブストリーミングアプリケーションの普及に伴い、一般ユーザーが高品質体験(QoE)を楽しむためには、自動カメラチューニングが不可欠になっている。 しかし、既存の画像品質評価(IQA)手法は、カメラチューニングにおいて2つの課題に直面している。 まず、カメラチューニングで一般的な画像間の微妙な品質差を特定するのに苦労する。 第二に、微妙な違いを説明し、カメラチューニングを提案する能力は、さらに欠落している。 これらの課題に対処するために、我々はまずFGLive-Commentsを構築した。FGLive-Commentsは、細粒度画像ペアの好みと、グローバルおよびローカルな視覚的証拠に基づく品質推論の両方をリッチなアノテーションで表現するインストラクションチューニングデータセットで、カメラパラメータの選択的調整レコメンデーションをサポートする。 FGLive-Commentsに基づいて,ライブストリーミングカメラチューニングのためのマルチモーダル大規模言語モデルであるQ-CamTuningを開発した。 プログレッシブ・インビデンス・ガイダンス・フレームワークは、品質を意識した視覚表現を学習し、グローバルな証拠によるきめ細かい推論を強化し、品質問題をカメラパラメータ調整方向にマップする。 実験結果から,Q-CamTuningは既存のIQAモデルよりも品質スコアと微細な画像ペアランキングで優れていた。 ユーザスタディでは、カメラチューニングの提案を推奨する機能も検証されている。

関連論文リスト

• CamWorldQA: Perceptual Quality Assessment of Camera-Controlled World Video Generation [57.66962508603178]
  我々は、カメラ制御されたワールドビデオ生成の知覚品質評価のための最初のベンチマークであるCamWorldQAを紹介する。 CWQAは,空間的特徴,時間的運動特徴,光学的フロー特徴を抽出し,品質スコアを協調的に予測する3つの相補的分岐を持つ非参照品質評価ネットワークである。
  論文  参考訳（メタデータ） (2026-08-19T09:10:02Z)
• TuningIQA: Fine-Grained Blind Image Quality Assessment for Livestreaming Camera Tuning [29.779476461887693]
  既存のブラインド画像品質評価(BIQA)モデルは通常、粗い粒度の品質スコアのみを予測する。 まずFGLive-10Kという,カメラパラメータの異なる10,185個の高解像度画像を含む包括的細粒度BIQAデータベースを構築した。 そこで我々は,人間認識機能抽出とグラフベースのカメラパラメータ融合を統合した,ライブストリーミングカメラチューニングのための細粒度BIQAメトリックであるTuningIQAを開発した。
  論文  参考訳（メタデータ） (2025-08-25T12:26:12Z)
• CP-LLM: Context and Pixel Aware Large Language Model for Video Quality Assessment [25.10124067341784]
  CP-LLM(Context and Pixel aware Large Language Model)を紹介する。 CP-LLMは、言語デコーダとともに、高レベル(ビデオコンテキスト)と低レベル(ピクセル歪み)の粒度の両方で知覚品質を独立に解析するために設計されたデュアルビジョンエンコーダを備えている。 実験により, CP-LLMは, 確立されたVQAベンチマーク上での最先端のクロスデータセット性能と, 画素歪みに対する優れたロバスト性を実現することを示した。
  論文  参考訳（メタデータ） (2025-05-21T21:13:19Z)
• AC3D: Analyzing and Improving 3D Camera Control in Video Diffusion Transformers [66.29824750770389]
  カメラの動きを第一原理の観点から分析し、正確な3Dカメラ操作を可能にする洞察を明らかにする。 これらの知見を合成して、高度な3Dカメラ制御(AC3D)アーキテクチャを設計する。
  論文  参考訳（メタデータ） (2024-11-27T18:49:13Z)
• PeQuENet: Perceptual Quality Enhancement of Compressed Video with Adaptation- and Attention-based Network [27.375830262287163]
  本稿では,圧縮ビデオの知覚品質を高めるために,GAN(Generative Adversarial Network)フレームワークを提案する。 我々のフレームワークは、単一のモデルにおける異なる量子化パラメータ(QP)への注意と適応を含む。 実験により,提案したPeQuENetの圧縮圧縮画質向上アルゴリズムと比較して優れた性能を示した。
  論文  参考訳（メタデータ） (2022-06-16T02:49:28Z)

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。