Mar, 2024

提升幸福感：通过图像扩散模型引发情绪

PDF
TL;DR通过扩展已有的图像生成研究，我们提出了一种新的情感诱发图像生成模型，旨在在保留原始场景的语义和结构的同时，生成能够引发目标情感的图像。我们使用扩散模型来有效地理解和编辑源图像，以传达所需的情感和情绪，通过进行人类心理物理实验和引入四种新的评估指标，我们系统地评估了所有方法，并证明了我们的方法超越了所有竞争基准。
emotional image editingemotion-evoked image generationdiffusion modelemotion editing datasetsevaluation metrics
发现论文，激发创造
  • EmoAttack: 情感对图像传播模型用于情感后门生成

    使用情感文本触发恶意负面内容生成图像的基于文本到图像扩散模型的情感感知背门攻击（EmoAttack）及其解决方法 EmoBooth。

    Jun, 2024

  • 基于图像的逼真且保持身份无损的情绪操控与潜在扩散模型

    探究通过 “野外” 图像进行情绪操作的扩散模型的能力并进行广泛的定量和定性评估，该方法在图像质量和真实性方面表现卓越，与基于 GAN 的对应方法相比，在情绪转换方面取得了有竞争力的结果。

    Aug, 2023

  • 基于无条件扩散模型的实时文本驱动图像操作

    该论文研究了基于扩散模型的无条件文本驱动图像编辑方法的效率，并开发了一种新算法，可以快速学习和应用图像操作，从而提高实现应用的潜力。

    Apr, 2023

  • EmoGen: 基于文本到图像扩散模型的情感图像内容生成

    我们提出了一种能够根据情感类别生成语义清晰、情感忠实的图像的新任务，具有显著优于现有文本到图像扩散模型的定量和定性表现，并且能够帮助情感理解和激发情感艺术设计。

    Jan, 2024

  • 基于扩散的语义图像编辑与掩模引导

    本文提出了一种基于条件扩散模型的语义图像编辑方法 DiffEdit，能够自动生成需要编辑的图像区域的遮罩，并利用潜在推理保留感兴趣区域的内容，该方法在 ImageNet 数据集上实现了最先进的编辑表现。

    Oct, 2022

  • EmoTalker: 通过扩散模型生成情感可编辑的说话脸部

    提出了基于扩散模型的 EmoTalker 方法，该方法能够在生成高质量的、可定制的面部表情时，保留原始肖像的身份特征，通过引入 Emotion Intensity Block 对来自提示的细粒度情绪进行分析和提取，从而增强了对文本输入的情感理解。

    Jan, 2024

  • EMIT-Diff：通过文本引导的扩散模型增强医学图像分割

    本文提出了一种用于医学图像合成的新方法，即 EMIT-Diff，它利用最近的扩散概率模型生成逼真且多样化的合成医学图像数据，并确保合成样本符合医学相关约束并保留成像数据的底层结构。在多个数据集上进行的实验证明了 EMIT-Diff 在医学图像分割任务中的有效性，并展示了引入首个文本引导的扩散模型用于通用医学图像分割任务的可行性。

    Oct, 2023

  • 情感唤起图像增强方法的评估与比较

    通过生成对抗网络（GANs）创建情感计算的刺激数据集，探索了一种替代传统数据集准备方法的方案，包括使用不同的 GAN 架构、数据增强和迁移学习技术，在情感计算的领域中显示出有希望的生成情感激发性的合成图像，为未来的研究和改进提供了重要的潜力。

    Jun, 2024

  • 可组合扩散模型下的组合视觉生成

    通过解释扩散模型为基于能量的模型，在训练和测试阶段中将一组扩散模型组合在一起，结构化生成，该方法可用于合成预训练的文本指导的扩散模型并生成生动逼真的图像，解决了 DALLE-2 在对象属性方面的困难。

    Jun, 2022

  • EmoEdit: 图像操作引发情绪

    EmoEdit 是一个新颖的两阶段框架，由情感归因和图像编辑组成，它利用视觉 - 语言模型引入内容修改以增强情感冲击力，并通过生成编辑模型在给定图像上执行情感修改，其中情感保真度和结构完整性之间进行了平衡。此方法在定性和定量评估中表现出比现有技术更卓越的性能，同时展示了在情感导向和语义导向编辑等各种操作任务中的潜力。

    May, 2024