情感的解剖：通过大视觉-语言模型叙述具身情绪
计算与语言
2025-09-25 v1 计算机视觉与模式识别
摘要
身体部位对情绪反应的具身化包含了我们情感体验的丰富信息。我们提出了一个框架，利用最先进的大视觉-语言模型 (LVLMs) 来生成具身 LVLM 情绪叙述 (ELENA)。这些是定义明确的多层次文本输出，主要包含聚焦于情绪反应中涉及的关键身体部位的描述。我们还使用了注意力图，并观察到当代模型对面部区域表现出持续的偏好。尽管存在这一局限性，我们发现所采用的框架能够有效识别面部被遮挡图像中的具身情绪，在无需任何微调的情况下性能优于基线模型。ELENA 为跨视觉模态的具身情绪分析开辟了新路径，并丰富了情感感知环境下的建模。
引用
@article{arxiv.2509.19595,
title = {Anatomy of a Feeling: Narrating Embodied Emotions via Large Vision-Language Models},
author = {Mohammad Saim and Phan Anh Duong and Cat Luong and Aniket Bhanderi and Tianyu Jiang},
journal= {arXiv preprint arXiv:2509.19595},
year = {2025}
}