KDDSep, 2023

AdSEE：探讨图像风格编辑对广告吸引力的影响

PDF
TL;DR通过在线广告的样式编辑和吸引力增强（AdSEE）的研究，我们探讨了语义编辑对广告图像是否能够影响或改变在线广告的受欢迎程度，并通过大规模数据集的离线和在线测试验证了图像风格与广告受欢迎程度之间的关系。
发现论文，激发创造
  • 在线展示广告中视觉外观对用户反应的影响

    本文介绍了通过对右媒体系统中广告创意进行大规模数据分析，研究创意外观对展示广告点击率的影响关系，给出了可供实践应用的关键点，并提供了评估基准。

    Feb, 2012

  • 使用贝叶斯风格生成增强感知属性

    本文基于深度学习模型，提出了一个新的深度学习框架进行图像合成，该框架利用了最新的深度风格迁移模型和生成对抗网络，以修改特定高层次属性的方式改变图像样式，该方法在增加图像记忆和生成恐怖图片使用集中体现出其优越性。

    Dec, 2018

  • 基于优化的多模态语义图像编辑

    我们提出了一种推理时间编辑优化方法，旨在通过两个专门的损失函数，成功地完成本地图像修改和全局内容一致性保留的竞争子任务，实现文本、姿势和涂鸦等多种编辑指令类型的灵活编辑解决方案，并通过定性和定量实验证明了我们能够实现复杂的编辑。

    Nov, 2023

  • 编辑风格：揭示 GAN 的本地语义

    本文介绍了一种基于 StyleGAN 的语义编辑方法，可以局部移植另一张图像的特征，而不需要额外的监督或复杂的操作，实现了对 GAN 图像的语义编辑，并提高了图像的真实感。

    Apr, 2020

  • 利用场景文本理解广告

    提出一个并不仅使用视觉特征，还使用从内嵌文本中提取的文本线索实现广告图像自动分类的框架，利用广告图像所含的有意义的文本内容，在分类任务中提供有益的语义解释，并使用现成组件开发框架来展示文本线索在语义分类任务中的有效性。

    Jun, 2018

  • 基于生成式人类先验的时尚风格编辑

    该研究通过使用文本描述来操纵人类形象的时尚风格编辑，探索了时尚风格编辑的任务，并提出了两个加强指导信号的方向：文本扩充和视觉参考。通过基于人类先验的生成模型和对潜在空间结构的经验发现，在时尚风格编辑领域取得了令人兴奋的新应用。

    Apr, 2024

  • 图像风格识别

    本研究探讨了计算机视觉中图像风格对于图像感知的影响，通过使用多层网络训练得出最佳效果的图像特征进行分类，并成功将这些分类器扩展到 tag-based image search 中，以提高搜索的效果。

    Nov, 2013

  • 严格保留 ID 和可控辅助广告图像生成

    经过开发 Control-Net 的定制图像生成流程以及提出多分支交叉注意力架构，我们成功实现了面向电子商务广告场景的广告图像生成，确保生成的主题与所宣传的产品完美匹配，并实现了对生成模型面部的精细控制，展现了可控且引人注目的广告效果。

    Apr, 2024

  • 探索基于遮罩引导的特征调制作为实现真实图像局部风格编辑机制的有效性

    本文旨在探索利用掩码引导特征调制在深度生成模型的潜空间中解决真实图像倒置和操控方向的问题，提出了 SemanticStyle 自编码器模型，并对其进行了定性和定量分析。

    Nov, 2022

  • 图像与视频广告自动理解

    本文提出了自动广告理解的问题，并基于两个数据集进行了研究，包含主题和情感、问题和答案、符号引用以及广告使用的最常见的说服策略等多种注释。对于多个预测任务，包括自动回答广告信息问题，我们提供了基线分类结果。

    Jul, 2017