DiverXplorer：通过多样性调整进行股票图像探索
人机交互
2026-03-10 v1
摘要
图形设计师在开放式或早期阶段的设计任务中探索大型库存图像集合，但常见工具强调相关性和相似性，限制了设计师概览设计空间或发现视觉模式的能力。我们提出一种图像探索原型，使用户能够逐步调整多样性，在探索过程中从多样化概览过渡到越来越聚焦的子集。我们的做法通过基于行列式点过程 (DPP) 的抽样实现多样性控制，并通过交互而非静态排序暴露多样性-相似性权衡。我们报告了针对专业图形设计师的 pilot 研究结果，该研究比较了我们的技术与受当前工具启发的基线方法在开放式图像选择任务中的表现。结果表明，逐步多样性控制支持早期感知和比较视觉模式，而揭示了重要的权衡：多样性有助于发现并减少回溯，但在探索进行到后期变得不太理想。我们旨在提供一种关于如何实现多样性和相似性之间转换的新视角。我们的代码可在 https://github.com/CyberAgentAILab/DiverXplorer 上获取。
引用
@article{arxiv.2603.08584,
title = {DiverXplorer: Stock Image Exploration via Diversity Adjustment for Graphic Design},
author = {Antonio Tejero-de-Pablos and Sichao Song and Naoto Ohsaka and Mayu Otani and Shin'ichi Satoh},
journal= {arXiv preprint arXiv:2603.08584},
year = {2026}
}
备注
Accepted at CHI EA 2026