維度分佈情緒狀態：利用效價和喚醒度作為視覺情感分析的通用嵌入空間
研究人員提出一種新的情緒表徵——維度分佈情緒狀態（DDES），利用效價和喚醒度預測藝術作品引發的情感反應，輔助博物館策展人設計以情緒為基礎的展覽。
文章情報
要點
- 博物館中的情感展覽旨在提高參與度並實現藝術民主化。
- 人工標註藝術作品費時且存在偏見；DDES實現了情緒預測自動化。
- DDES利用連續的二維情緒空間（效價和喚醒度）進行深度學習。
- 該方法在保持類似基線性能的同時，相比現有表徵具有多重優勢。
為甚麼重要
這條新聞值得關注，因為博物館中的情感展覽旨在提高參與度並實現藝術民主化。
技術影響
可能影響模型選型、推理成本、產品能力和評測基準。
基於arXiv於2026年5月25日發佈的最新研究（論文ID: 2605.26262），由Émile Bergeron及其合作者共同完成，研究人員提出了一種名為“維度分佈情緒狀態”（Dimensional Distribution Emotion State, DDES）的新方法，旨在通過效價（valence）和喚醒度（arousal）的連續二維情緒空間來預測藝術作品所引發的情感反應。這一研究為視覺情感分析領域提供了新的思路。
博物館作為文化和藝術傳播的重要場所，傳統上側重於歷史和傳統的展示。然而，近年來，一種新型的情感化展覽逐漸興起。這類展覽專門設計以激發觀眾的情緒，從而提高參與度，並使藝術更加民主化，吸引更廣泛、更多樣化的受眾。例如，策展人可以有意識地選擇那些能夠喚起特定情感的藝術作品，從而引導觀眾的參觀體驗。為了實現這一目標，首先需要提取藝術作品的情感內容。然而，由專家手動標註藝術品不僅勞動強度大，而且可能引入策展人的個人偏見，導致標註結果不一致。
為了克服這些挑戰，研究人員希望開發一種工具，能夠自動預測藝術作品所喚起的情感反應。他們從現有的分類和維度情感表徵中汲取靈感，引入了DDES這一新的表徵方式，並建立了多數據集訓練流水線。DDES的核心在於利用效價（愉悦-不愉悦）和喚醒度（興奮-平靜）作為連續嵌入空間，從而增強深度學習中情感表徵的學習過程。與傳統的離散情緒類別（如快樂、悲傷）不同，DDES允許模型捕捉更細微的情感變化。
研究表明，DDES在保持類似基線性能的同時，與廣泛使用的表徵相比具有多重優勢。例如，它能夠更好地處理情感模糊的藝術作品，並且由於使用了連續空間，模型可以更靈活地適應不同的情感標註數據集。此外，DDES還減少了因不同標註者之間的主觀差異而導致的噪聲。這一方法不僅有助於博物館策展人設計更具感染力的展覽，還可能為藝術與情感的交叉研究開闢新的方向，甚至應用於數字藝術推薦、情緒調節等領域。研究團隊使用的多數據集訓練方法，包括從多個來源整合情感標註數據，進一步提升了模型的泛化能力。
總之，DDES代表了一種向前邁進的重要一步，它利用效價和喚醒度作為通用嵌入空間，為自動情感分析提供了更穩健和靈活的解決方案。隨着情感化展覽在博物館中的日益普及，這類技術有望成為策展人不可或缺的工具。