Make Me Happier: Evoking Emotions Through Image Diffusion Models

尽管图像生成技术取得了快速进展，但情感图像编辑方面仍未得到充分探索。图像的语义、上下文和结构可以唤起情感反应，因此情感图像编辑技术在各种实际应用中具有价值，包括治疗心理障碍、产品商业化和艺术设计。本文首次提出了一项新的情感唤起图像生成挑战，旨在合成能唤起目标情感的图像，同时保留原始场景的语义和结构。为了应对这一挑战，我们提出了一种扩散模型，能够有效地理解和编辑源图像以传达所需的情感和情绪。此外，由于缺乏情感编辑数据集，我们提供了一个独特的数据集，包含34万对图像及其情感注释。此外，我们进行了人类心理物理实验，并引入了四个新的评估指标，以系统地对所有方法进行基准测试。实验结果表明，我们的方法超越了所有竞争基线。我们的扩散模型能够从原始图像中识别情感线索，编辑出能引起所需情感的图像，同时保留了原始图像的语义结构。所有代码、模型和数据将公开发布。

情感图像生成是一个尚未被充分探索的领域，本文提出了一种新的情感图像生成的挑战，旨在合成出能引发目标情感的图像，同时保留原始场景的语义和结构。

本文提出了一种扩散模型，能够有效地理解和编辑源图像，传达所需的情感和情绪。

本文提供了一个包含340,000对图像和情感注释的独特数据集，并进行了人类心理物理实验，引入了四个新的评估指标来系统地评估所有方法。实验结果表明，本文的方法优于所有竞争基线。本文的扩散模型能够从原始图像中识别情感线索，编辑出引发所需情感的图像，同时保留原始图像的语义结构。所有代码、模型和数据都将公开。

最近的相关研究包括：1.《Image Generation from Scene Graphs》；2.《Semantic Image Synthesis with Spatially-Adaptive Normalization》；3.《Generative Adversarial Networks》等。