arXivに投稿された論文「CROP: Expert-Aligned Image Cropping via Compositional Reasoning and Optimizing Preference」は、画像の美的クロッピングにおいて、専門写真家の思考プロセスを模倣する新しい手法を提案している。著者はZhitong Dong氏らであり、2026年5月9日に提出された。
従来の手法は、顕著性予測や検索拡張に依存しており、構図や美学の深い理解が欠けていた。顕著性ベースの手法は複雑なシーンで構図のトレードオフをうまく扱えず、検索ベースの手法は類似事例を機械的に参照するため、独自のシーンへの適応が困難だった。その結果、自動クロッピング結果が人間の専門家と一致しないという問題があった。
研究チームはこの問題に対処するため、美的クロッピングをマルチモーダル推論タスクとして再定義し、視覚言語モデル（VLM）の分析・理解能力を活性化するCROP（Compositional Reasoning and Optimizing Preference）手法を設計した。CROPは、複雑で主観的な美の問題を「分析-提案-決定」プロセスに分解し、シーンの要素と構図原則を段階的に推論する。まずシーン内のオブジェクトや構図ルールを分析し、次に複数のクロッピング案を提案し、最後に美的基準に基づいて最適な決定を下す。さらに、専門家の選好アライメントモジュールを導入し、モデルの決定が人間の専門家の美学と一致するように学習させる。
複数の公開データセットを用いた大規模な実験により、CROP手法は既存の顕著性ベースや検索ベースの手法を上回る美的品質を達成した。アブレーション研究では、推論プロセスと選好アライメントの各コンポーネントの有効性が確認された。この研究は、自動画像クロッピングの分野に新たな方向性を示すものであり、画像編集、写真支援、ソーシャルメディアのサムネイル生成などへの応用が期待される。