論文の概要: DesignTaste: Benchmarking AI-Generator Visual Design Against Award-Wining Works
- arxiv url: http://arxiv.org/abs/2611.16442v1
- Date: Thu, 12 Nov 2026 07:52:27 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-14 01:36:33.393733
- Title: DesignTaste: Benchmarking AI-Generator Visual Design Against Award-Wining Works
- Title(参考訳): DesignTaste: 受賞作品に対するAI世代ビジュアルデザインのベンチマーク
- Abstract要約: DesignTasteは、生成された画像と受賞作品を比較するビジュアルデザインベンチマークである。
6つの主要な商用テキスト画像モデルは、それぞれ同じブリーフから画像を生成する。
単一モデル審査員は、5つの評価次元で独立して、各出力と対応する賞品をスコアする。
- 参考スコア(独自算出の注目度): 23.089086250018415
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Text-to-image benchmarks commonly assess text-image alignment or overall preference. Whether models can produce good designs when a brief leaves the appearance open remains less well understood. We introduce DesignTaste, a visual design benchmark that compares generated images with award-winning works. From these works and their publicly available context, we derive 403 design briefs: 100 poster tasks from 100 Beste Plakate 2025 and 303 tasks spanning 20 categories from ADC 2026. Six leading commercial text-to-image models each generate an image from the same brief. A single model judge scores each output and the corresponding award-winning work independently on five evaluation dimensions. On each dataset, only ArtArk achieves a higher mean overall score than the award-winning works. All six models score lower in Creative Originality on both datasets. These results show that producing finished, visually appealing images does not imply that a model can develop good design solutions.
- Abstract(参考訳): テキスト・ツー・イメージのベンチマークはテキスト・イメージのアライメントや全体的な嗜好を評価するのが一般的である。
モデルが短いままで良いデザインを作れるかどうかは、まだよく分かっていない。
生成した画像と受賞作品を比較するビジュアルデザインベンチマークであるDesignTasteを紹介する。
ADC 2026から20のカテゴリにまたがる100のBeste Plakate 2025の100のポスタータスクと303の303のタスクです。
6つの主要な商用テキスト画像モデルは、それぞれ同じブリーフから画像を生成する。
単一モデル審査員は、5つの評価次元で独立して、各出力と対応する賞品をスコアする。
各データセットでは、受賞作品よりも平均スコアが高いのはArtArkのみである。
6つのモデルはすべて、両方のデータセットでCreative Originalityのスコアを下げる。
これらの結果から,完成した視覚的に魅力的な画像を生成することは,モデルが優れた設計ソリューションを開発できることを示唆するものではない。
関連論文リスト
- ComplexityWorld: Benchmarking Vision-Language Models on Verifiable Visual Decision Making [30.869819258358405]
視覚言語モデル(VLM)は、視覚知覚を急速に進歩させ、画像に依存する現実的なタスクをますますサポートしている。
39のドメインにインスパイアされた視覚世界と29のカテゴリーにわたる390のタスクのベンチマークであるCompleXITYWORLDを紹介する。
論文 参考訳(メタデータ) (2026-08-05T10:05:41Z) - Qwen-Image-Bench: From Generation to Creation in Text-to-Image Evaluation [52.930280794143876]
Qwen-Image-Benchは、クリエイター中心のベンチマークで、プロのアーティストと共同で設計され、現実世界の創造シナリオに基礎を置いています。
我々はこれらの5つの柱をトップダウンの階層的な分類に分類し、23の第二級サブ能力と56の第三級ルーリックに分解する。
Qwen3.6-27Bに基づく統一審査モデルQ-Judgerを訓練し、ブラインドラベルとトリプルリビュープロトコルの下で、グローバルアートアカデミーの80名の専門家アノテータが監督する。
論文 参考訳(メタデータ) (2026-05-27T07:46:43Z) - TASTE: A Designer-Annotated Multi-Dimensional Preference Dataset for AI-Generated Graphic Design [43.31865418601155]
TASTE (Typography, Aesthetics, Space, Tone, Etc.): 現在の4つのテキスト・画像モデルの出力を9つの基準でランク付けした10人のプロデザイナー。
TASTEは、食品と映画の好みと写真スタイルの画質の間のグラフィックデザインに関するデザイナーの合意を定めている。
ベンチマークでは,3Bから33Bパラメータの6人のオープンウェイトVLM審査員を含む,事前訓練されたシステムはない。
論文 参考訳(メタデータ) (2026-05-20T05:27:05Z) - Visual Aesthetic Benchmark: Can Frontier Models Judge Beauty? [59.923111838399144]
本稿では,視覚的審美性ベンチマーク (VAB) を提案する。
VABには400のタスクと1,195のイメージが芸術、写真、イラストに含まれており、ラベルはタスクごとに10人の独立した専門家審査員のコンセンサスから導かれる。
最強のシステムは、人間の専門家が達成した68.9%よりもはるかに低い26.5%のタスクで、候補順の3つのランダムな順で、最良の画像と最悪の画像の両方を正しく識別する。
論文 参考訳(メタデータ) (2026-05-12T19:33:28Z) - NTIRE 2026 The 3rd Restore Any Image Model (RAIM) Challenge: Professional Image Quality Assessment (Track 1) [115.35873876159131]
NTIRE 2026 Challenge on the 3rd Restore Any Image Model in the Wildについて概説する。
この挑戦には200近い登録と2500以上の応募が集まった。
トップパフォーマンスの手法は、プロのIQAにおける芸術の状態を著しく向上させた。
論文 参考訳(メタデータ) (2026-04-14T09:44:35Z) - ProImage-Bench: Rubric-Based Evaluation for Professional Image Generation [151.75112778479468]
本研究では,技術記述から科学的に正確な図形を合成する必要がある専門的な画像生成について検討する。
実際の教科書やテクニカルレポートから収集した654個の図形に対して,詳細な画像指示と,精度を6,076の基準と44,131のバイナリチェックに分解するルーリックの階層を構築した。
ProImage-Bench上でいくつかの代表的なテキスト・ツー・イメージモデルをベンチマークし、オープンドメイン性能が強いにもかかわらず、最良のベースモデルは0.791の精度と0.553の基準スコアにしか達しないことを示した。
論文 参考訳(メタデータ) (2025-12-13T07:13:43Z) - NTIRE 2025 challenge on Text to Image Generation Model Quality Assessment [146.76913448156176]
本稿では,テキスト・トゥ・イメージ(T2I)生成モデルの品質評価におけるNTIRE 2025課題について報告する。
この課題の目的は、テキスト・ツー・画像生成モデルのきめ細かい品質評価に対処することである。
論文 参考訳(メタデータ) (2025-05-22T07:12:36Z) - IDEA-Bench: How Far are Generative Models from Professional Designing? [34.00716542613326]
実世界の100のタスクを含むベンチマークであるIDEA-Benchを紹介する。
これには、レンダリング、ビジュアルエフェクト、ストーリーボード、絵本、フォント、スタイルベース、アイデンティティ保存生成が含まれる。
最高のパフォーマンスモデルでさえ、IDEA-Benchで22.48しか達成せず、最高の汎用モデルは6.81しか達成していない。
論文 参考訳(メタデータ) (2024-12-16T13:39:32Z) - Emu: Enhancing Image Generation Models Using Photogenic Needles in a
Haystack [75.00066365801993]
Webスケールの画像-テキストペアによるテキスト-画像モデルのトレーニングにより、テキストから幅広い視覚概念を生成することができる。
これらの事前訓練されたモデルは、高度に美的な画像を生成することに関して、しばしば課題に直面します。
本稿では,高度に視覚的に魅力的な画像のみを生成するために,事前学習されたモデルを誘導する品質チューニングを提案する。
論文 参考訳(メタデータ) (2023-09-27T17:30:19Z)
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。