論文の概要: Copyright in Generative Deep Learning
- arxiv url: http://arxiv.org/abs/2105.09266v1
- Date: Wed, 19 May 2021 17:22:47 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-20 13:56:52.400838
- Title: Copyright in Generative Deep Learning
- Title(参考訳): 生成的深層学習における著作権
- Authors: Giorgio Franceschelli and Mirco Musolesi
- Abstract要約: 芸術における生成的深層学習の分野における重要な疑問の集合を考える。
我々は、米国とEUの両方で施行されている法律を考慮して、これらの質問に答えようとしている。
- 参考スコア(独自算出の注目度): 3.689181056530984
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Machine-generated artworks are now part of the contemporary art scene: they
are attracting significant investments and they are presented in exhibitions
together with those created by human artists. These artworks are mainly based
on generative deep learning techniques. Also given their success, several legal
problems arise when working with these techniques.
In this article we consider a set of key questions in the area of generative
deep learning for the arts. Is it possible to use copyrighted works as training
set for generative models? How do we legally store their copies in order to
perform the training process? And then, who (if someone) will own the copyright
on the generated data? We try to answer these questions considering the law in
force in both US and EU and the future alternatives, trying to define a set of
guidelines for artists and developers working on deep learning generated art.
- Abstract(参考訳): 機械によるアートシーンは現代美術シーンの一部であり、大きな投資を集めており、人間アーティストが制作した作品とともに展示会で展示されている。
これらのアートワークは主に生成的深層学習技術に基づいている。
また、その成功を踏まえると、これらの技術を扱う際にいくつかの法的問題が発生する。
本稿では,芸術における生成的深層学習の分野における重要な課題について考察する。
生成モデルのトレーニングセットとして著作権作品を使用することは可能か?
トレーニングプロセスを実行するために、コピーを法的にどのように保存するか?
そして、誰が(誰かが)生成したデータの著作権を所有するのか?
私たちは、米国とeuの両方で施行される法律と将来の代替案を考慮したこれらの質問に答え、ディープラーニング生成アートに取り組んでいるアーティストと開発者のためのガイドラインを定義しようとしています。
関連論文リスト
- Foregrounding Artist Opinions: A Survey Study on Transparency,
Ownership, and Fairness in AI Generative Art [0.0]
生成人工知能(AI)ツールは、アートのようなアウトプットを作成し、創造的なプロセスを支援するために使用される。
我々は,ジェネレーティブAIアートの潜在的有用性と害に関するアーティストの意見の緊張関係を調べるために,アーティストを調査した。
アーティストたちは、モデルクリエーターがAIモデルをトレーニングするために使用するアートやイメージの詳細を開示する必要があると考えている。
論文 参考訳(メタデータ) (2024-01-27T20:22:46Z) - Studying Artist Sentiments around AI-generated Artwork [25.02527831382343]
われわれは7人のアーティストにインタビューし、ソーシャルメディアプラットフォームReddit、Twitter、Artstationでアーティストの投稿を分析した。
我々は、これらのツールの包括的開発に向けて、AI生成アートワークに関するアーティストの主な懸念と希望を報告します。
論文 参考訳(メタデータ) (2023-11-22T22:44:02Z) - Measuring the Success of Diffusion Models at Imitating Human Artists [7.007492782620398]
モデルが特定のアーティストを模倣する能力を測定する方法を示す。
コントラスト言語-画像事前訓練(CLIP)エンコーダを用いてゼロショット方式で画像の分類を行う。
また,アーティストの作品のサンプルを,これらの模倣画像と高い統計的信頼性で一致させることができることを示す。
論文 参考訳(メタデータ) (2023-07-08T18:31:25Z) - Artistic Strategies to Guide Neural Networks [0.0]
本稿では、画像、テキスト、フォーム、セミオティック空間の翻訳という文脈において、現在のAI技術の可能性と限界について考察する。
比較的短時間で高解像度画像と3Dオブジェクトの生成が達成された。
またしても、アートワークがテクノロジー開発の触媒となる様子が見られます。
論文 参考訳(メタデータ) (2023-07-06T22:57:10Z) - Learning to Evaluate the Artness of AI-generated Images [72.06263228104709]
アートスコア(ArtScore)は、アーティストによる本物のアートワークと画像がどの程度似ているかを評価するために設計されたメトリクスである。
我々は、写真とアートワークの生成のために事前訓練されたモデルを採用し、一連の混合モデルを生み出した。
このデータセットはニューラルネットワークのトレーニングに使用され、任意の画像の定量化精度レベルを推定する方法を学ぶ。
論文 参考訳(メタデータ) (2023-05-08T17:58:27Z) - Foundation Models and Fair Use [96.04664748698103]
米国や他の国では、著作権のあるコンテンツは、公正な使用原理のために責任を負わずに基礎モデルを構築するために使われることがある。
本研究では,著作権コンテンツに基づく基礎モデルの開発と展開の潜在的なリスクについて調査する。
基礎モデルが公正な使用と一致し続けるのに役立つ技術的緩和について論じる。
論文 参考訳(メタデータ) (2023-03-28T03:58:40Z) - Inversion-Based Style Transfer with Diffusion Models [78.93863016223858]
以前の任意の例として誘導された芸術的画像生成法は、しばしば形状変化の制御や要素の伝達に失敗する。
画像のキー情報を効率よく正確に学習できるインバージョンベースのスタイル転送手法(InST)を提案する。
論文 参考訳(メタデータ) (2022-11-23T18:44:25Z) - Can There be Art Without an Artist? [1.2691047660244335]
ジェネレーティブAIベースのアートは、この1年で急増している。
本稿では,ジェネレーティブ・モデルが芸術にどのような影響を及ぼしたかを考察する。
レスポンシブルにデプロイすれば、AI生成モデルは、アートにおいてポジティブで新しいモダリティになる可能性があると仮定する。
論文 参考訳(メタデータ) (2022-09-16T01:23:19Z) - Copy Motion From One to Another: Fake Motion Video Generation [53.676020148034034]
人工知能の魅力的な応用は、任意の所望の動作を行う対象者のビデオを生成することである。
現在の手法では、通常、生成されたビデオの信頼性を評価するために、L2損失のGANを用いる。
本稿では,ポーズから前景画像へのマッピングの学習を容易にする理論的動機付け型Gromov-Wasserstein損失を提案する。
本手法は,人物の複雑な動きを忠実にコピーすることで,現実的な人物映像を生成できる。
論文 参考訳(メタデータ) (2022-05-03T08:45:22Z) - CtlGAN: Few-shot Artistic Portraits Generation with Contrastive Transfer
Learning [77.27821665339492]
CtlGANは、新しいコントラッシブ・トランスファー学習戦略を備えた、数発のアート・ポートレート生成モデルである。
ソースドメインで事前訓練したStyleGANを,対象の芸術領域に適応させる。
実面をZ+空間に埋め込んだ新しいエンコーダを提案し,適応型デコーダに対処するためのデュアルパストレーニング戦略を提案する。
論文 参考訳(メタデータ) (2022-03-16T13:28:17Z) - Art Creation with Multi-Conditional StyleGANs [81.72047414190482]
人間のアーティストは、独特のスキル、理解、そして深い感情や感情を引き起こすアートワークを作る真の意図の組み合わせが必要です。
本研究では,多条件生成支援ネットワーク(GAN)アプローチを導入し,人間の芸術を模倣する現実的な絵画を合成する。
論文 参考訳(メタデータ) (2022-02-23T20:45:41Z)
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。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。