Fugu-MT 論文翻訳(概要): The power of pictures: using ML assisted image generation to engage the crowd in complex socioscientific problems

論文の概要: The power of pictures: using ML assisted image generation to engage the crowd in complex socioscientific problems

arxiv url: http://arxiv.org/abs/2010.12324v2
Date: Mon, 28 Dec 2020 16:31:36 GMT
ステータス: 処理完了
システム内更新日: 2022-10-07 05:03:39.108972
Title: The power of pictures: using ML assisted image generation to engage the crowd in complex socioscientific problems
Title（参考訳）: 画像のパワー:ml支援画像生成を用いた複雑な社会科学問題における群衆の関与
Authors: Janet Rafner, Lotte Philipsen, Sebastian Risi, Joel Simon, Jacob Sherson
Abstract要約: 我々は,ML支援画像生成のアクティビティを,複雑な社会科学的問題に対する大規模対話の触媒に変換する。目的は、研究への公的な参加のためのゲートウェイを作ることである。
参考スコア（独自算出の注目度）: 6.472260320446158
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Human-computer image generation using Generative Adversarial Networks (GANs) is becoming a well-established methodology for casual entertainment and open artistic exploration. Here, we take the interaction a step further by weaving in carefully structured design elements to transform the activity of ML-assisted imaged generation into a catalyst for large-scale popular dialogue on complex socioscientific problems such as the United Nations Sustainable Development Goals (SDGs) and as a gateway for public participation in research.
Abstract（参考訳）: generative adversarial network (gans) を用いたヒューマンコンピュータ画像生成は,カジュアルエンタテインメントとオープンアート探索の確立された方法論になりつつある。本稿では, ml支援画像生成の活動を, 国連持続可能な開発目標(sdgs)や研究参加の入り口として, 大規模社会科学的な複雑な問題に対する, 大衆的な対話の触媒として, 注意深く構造化されたデザイン要素を織り込むことにより, インタラクションをさらに進めていく。

関連論文リスト

Collaborative Interactive Evolution of Art in the Latent Space of Deep Generative Models [1.4425878137951238]
私たちはまず,Creative Adversarial Networks(CANs)と呼ばれるアーキテクチャを用いて,創造的なイメージの制作を訓練するGANを採用する。次に、画像を発見するためにモデルの潜在空間内をナビゲートするために進化的アプローチを用いる。我々は、自動美学と協調的対話的人間評価指標を用いて、生成された画像を評価する。
論文参考訳（メタデータ） (2024-03-28T17:40:15Z)
A Survey on Large Language Models from Concept to Implementation [4.219910716090213]
近年のLarge Language Models (LLM) の進歩により、自然言語処理(NLP)アプリケーションの範囲が拡大している。本稿では,これらのモデルの多面的応用について検討し,GPTシリーズに着目した。この調査は、コーディングや問題解決といった従来のタスクに革命をもたらす人工知能(AI)駆動ツールの変革的な影響に焦点を当てている。
論文参考訳（メタデータ） (2024-03-27T19:35:41Z)
Social Reward: Evaluating and Enhancing Generative AI through Million-User Feedback from an Online Creative Community [63.949893724058846]
コミュニティ認識の一形態としての社会的報酬は、オンラインプラットフォームのユーザーがコンテンツに関わり、貢献する動機の強い源泉となる。この作業はパラダイムシフトの先駆者であり、革新的な報酬モデリングフレームワークであるSocial Rewardを発表した。私たちは、オンラインビジュアル作成と編集プラットフォームであるPicsartから、データセットのキュレーションと洗練の広範な旅に乗り出した。
論文参考訳（メタデータ） (2024-02-15T10:56:31Z)
A Neuro-mimetic Realization of the Common Model of Cognition via Hebbian Learning and Free Energy Minimization [55.11642177631929]
大規模なニューラル生成モデルは、意味的に豊富なテキストのパスを合成したり、複雑な画像を生成することができる。我々はコモン・モデル・オブ・コグニティブ・ニューラル・ジェネレーティブ・システムについて論じる。
論文参考訳（メタデータ） (2023-10-14T23:28:48Z)
RenAIssance: A Survey into AI Text-to-Image Generation in the Era of Large Model [93.8067369210696]
テキスト・ツー・イメージ生成(テキスト・トゥ・イメージ・ジェネレーション、英: Text-to-image Generation、TTI)とは、テキスト入力を処理し、テキスト記述に基づいて高忠実度画像を生成するモデルである。拡散モデル (diffusion model) は、繰り返しステップによるノイズの体系的導入を通じて画像の生成に使用される顕著な生成モデルである。大規模モデルの時代、モデルサイズを拡大し、大規模言語モデルとの統合により、TTIモデルの性能がさらに向上した。
論文参考訳（メタデータ） (2023-09-02T03:27:20Z)
Interactive Data Synthesis for Systematic Vision Adaptation via LLMs-AIGCs Collaboration [48.54002313329872]
本稿では,ChatGenImageというアノテーション付きデータ拡張の新しいパラダイムを提案する。その中核となる考え方は、多様なモデルの補完的な強みを活用して、インタラクティブなデータ拡張のための高効率でユーザフレンドリなパイプラインを確立することである。筆者らはChatGenImageフレームワークから得られた興味深い結果を提示し, 系統的視覚適応のための合成データの強力なポテンシャルを実証する。
論文参考訳（メタデータ） (2023-05-22T07:53:36Z)
GM-NeRF: Learning Generalizable Model-based Neural Radiance Fields from Multi-view Images [79.39247661907397]
本稿では,自由視点画像の合成に有効なフレームワークであるGeneralizable Model-based Neural Radiance Fieldsを提案する。具体的には、多視点2D画像からの出現コードを幾何学的プロキシに登録するための幾何学誘導型アテンション機構を提案する。
論文参考訳（メタデータ） (2023-03-24T03:32:02Z)
Interpreting Generative Adversarial Networks for Interactive Image Generation [36.539339220652046]
この章では、深層生成モデルの解釈に関する最近の研究の概要を紹介する。学習表現に現れる人間の理解可能な概念をどのように識別し、インタラクティブな画像生成と編集に利用できるかを確認する。
論文参考訳（メタデータ） (2021-08-10T19:42:20Z)
Improved Image Generation via Sparse Modeling [27.66648389933265]
生成器は、Convolutional Sparse Coding (CSC) とそのMulti-Layeredバージョン (ML-CSC) 合成プロセスの発現として見ることができる。この観測は、発電機内の適切な選択された活性化層にスパーシファイング正規化を明示的に強制することによって活用する。
論文参考訳（メタデータ） (2021-04-01T13:52:40Z)
Medical Image Generation using Generative Adversarial Networks [0.0]
GAN(Generative Adversarial Network)は、コンピュータビジョンコミュニティにおいて、教師なしのディープラーニングアプローチである。 GANはリアルな医療画像とそれに対応するアノテーションを生成する。 Deep Convolutional GAN (DCGAN)、Laplacian GAN (LAPGAN)、Pix2pix、CycleGAN、unsupervised image-to-image translation model (UNIT)など、医学画像の解釈で人気を得たガンの様々なフレームワーク
論文参考訳（メタデータ） (2020-05-19T20:31:57Z)
Fine-grained Image-to-Image Transformation towards Visual Recognition [102.51124181873101]
我々は,入力画像の同一性を保った画像を生成するために,微細なカテゴリで画像を変換することを目的としている。我々は、画像のアイデンティティと非関連要因をアンハングルするために、生成的敵ネットワークに基づくモデルを採用する。 CompCarsとMulti-PIEデータセットの実験では、我々のモデルが生成した画像のアイデンティティを、最先端の画像-画像変換モデルよりもはるかによく保存していることが示された。
論文参考訳（メタデータ） (2020-01-12T05:26:47Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。