维度分布情绪状态：利用效价和唤醒度作为视觉情感分析的通用嵌入空间
研究人员提出一种新的情绪表征——维度分布情绪状态（DDES），利用效价和唤醒度预测艺术作品引发的情感反应，辅助博物馆策展人设计以情绪为基础的展览。
文章情报
要点
- 博物馆中的情感展览旨在提高参与度并实现艺术民主化。
- 人工标注艺术作品费时且存在偏见；DDES实现了情绪预测自动化。
- DDES利用连续的二维情绪空间（效价和唤醒度）进行深度学习。
- 该方法在保持类似基线性能的同时，相比现有表征具有多重优势。
为什么重要
这条新闻值得关注，因为博物馆中的情感展览旨在提高参与度并实现艺术民主化。
技术影响
可能影响模型选型、推理成本、产品能力和评测基准。
基于arXiv于2026年5月25日发布的最新研究（论文ID: 2605.26262），由Émile Bergeron及其合作者共同完成，研究人员提出了一种名为“维度分布情绪状态”（Dimensional Distribution Emotion State, DDES）的新方法，旨在通过效价（valence）和唤醒度（arousal）的连续二维情绪空间来预测艺术作品所引发的情感反应。这一研究为视觉情感分析领域提供了新的思路。
博物馆作为文化和艺术传播的重要场所，传统上侧重于历史和传统的展示。然而，近年来，一种新型的情感化展览逐渐兴起。这类展览专门设计以激发观众的情绪，从而提高参与度，并使艺术更加民主化，吸引更广泛、更多样化的受众。例如，策展人可以有意识地选择那些能够唤起特定情感的艺术作品，从而引导观众的参观体验。为了实现这一目标，首先需要提取艺术作品的情感内容。然而，由专家手动标注艺术品不仅劳动强度大，而且可能引入策展人的个人偏见，导致标注结果不一致。
为了克服这些挑战，研究人员希望开发一种工具，能够自动预测艺术作品所唤起的情感反应。他们从现有的分类和维度情感表征中汲取灵感，引入了DDES这一新的表征方式，并建立了多数据集训练流水线。DDES的核心在于利用效价（愉悦-不愉悦）和唤醒度（兴奋-平静）作为连续嵌入空间，从而增强深度学习中情感表征的学习过程。与传统的离散情绪类别（如快乐、悲伤）不同，DDES允许模型捕捉更细微的情感变化。
研究表明，DDES在保持类似基线性能的同时，与广泛使用的表征相比具有多重优势。例如，它能够更好地处理情感模糊的艺术作品，并且由于使用了连续空间，模型可以更灵活地适应不同的情感标注数据集。此外，DDES还减少了因不同标注者之间的主观差异而导致的噪声。这一方法不仅有助于博物馆策展人设计更具感染力的展览，还可能为艺术与情感的交叉研究开辟新的方向，甚至应用于数字艺术推荐、情绪调节等领域。研究团队使用的多数据集训练方法，包括从多个来源整合情感标注数据，进一步提升了模型的泛化能力。
总之，DDES代表了一种向前迈进的重要一步，它利用效价和唤醒度作为通用嵌入空间，为自动情感分析提供了更稳健和灵活的解决方案。随着情感化展览在博物馆中的日益普及，这类技术有望成为策展人不可或缺的工具。