EmoKGEdit：基于视觉线索变换的无训练情感注入

现有的图像情感编辑方法难以从潜在内容表示中解耦情感线索，常常导致情感表达微弱和视觉结构扭曲。为了弥补这一差距，我们提出了EmoKGEdit，一种用于精确且保持结构的图像情感编辑的新型无训练框架。具体来说，我们构建了一个多模态情感关联知识图谱（MSA-KG）来解耦对象、场景、属性、视觉线索和情感之间的复杂关系。MSA-KG显式地编码了对象-属性-情感之间的因果链，并作为外部知识支持思维链推理，引导多模态大模型推断合理的情感相关视觉线索并生成连贯的指令。此外，基于MSA-KG，我们设计了一个解耦的结构-情感编辑模块，该模块在潜在空间中显式地将情感属性与布局特征分离，确保目标情感被有效注入，同时严格保持视觉空间一致性。大量实验表明，EmoKGEdit在情感保真度和内容保持方面均取得了优异的性能，并超越了最先进的方法。