AICA-Bench：全面检视视觉语言模型在情感图像内容分析中的能力
计算机视觉与模式识别
2026-04-08 v1
摘要
视觉语言模型（Vision-Language Models, VLMs）在感知任务中展现出强大的能力，但综合感知、推理与生成于统一框架中的情感图像内容分析（Affective Image Content Analysis, AICA）仍受到 insufficient 探索。为填补这一空白，我们引入 AICA-Bench——一个包含三项核心任务的全面基准：情感理解（Emotion Understanding, EU）、情感推理（Emotion Reasoning, ER）和情感引导的内容生成（Emotion-Guided Content Generation, EGCG）。我们评估了 23 个视觉语言模型，识别出两个主要局限：情感强度校准不足和浅层开放式描述。为此，我们提出了 Grounded Affective Tree（GAT）提示框架，该框架结合视觉 scaffolding 与层次化推理。实验表明，GAT 减少了情感强度误差，提升了描述深度，为未来在情感多模态理解与生成方面的研究提供了强有力的基线。
引用
@article{arxiv.2604.05900,
title = {AICA-Bench: Holistically Examining the Capabilities of VLMs in Affective Image Content Analysis},
author = {Dong She and Xianrong Yao and Liqun Chen and Jinghe Yu and Yang Gao and Zhanpeng Jin},
journal= {arXiv preprint arXiv:2604.05900},
year = {2026}
}
备注
Accepted by Findings of ACL 2026