AIM-Bench：通过细粒度分层控制进行基准测试并改进情感图像处理

情感图像处理（AIM）旨在通过有针对性的编辑来唤起特定的情感。目前的图像编辑基准主要集中在一般场景下的对象级修改，缺乏捕捉情感维度的细粒度。为了弥补这一差距，我们引入了第一个为 AIM 设计的基准测试，称为 AIM-Bench。该基准建立在双路径情感建模方案的基础上，该方案将 Mikels 情感分类法与 Valence-Arousal-Dominance 框架相集成，从而实现高级语义和细粒度的连续操作。通过分层的人机交互工作流程，我们最终策划了 800 个高质量样本，涵盖 8 个情感类别和 5 种编辑类型。为了有效评估绩效，我们还设计了一个综合评估套件，结合基于规则和基于模型的指标，以全面评估教学的一致性、美观性和情感表达力。广泛的评估表明，当前的编辑模型面临着重大挑战，最明显的是由于训练数据分布的固有不平衡而普遍存在的积极偏见。为了解决这个问题，我们提出了一种可扩展的数据引擎，利用反向重绘策略来构建 AIM-40k，这是一个包含 40k 样本的平衡指令调整数据集。具体来说，我们通过生成重绘增强原始情感图像，以建立高保真地面事实，并合成具有不同情感和配对精确指令的输入图像。 微调 AIM-40k 的基准模型在整体性能方面产生了 9.15% 的相对改进，证明了我们的 AIM-40k 的有效性。我们的数据和相关代码将很快开放。