論文の概要: Copyright in Generative Deep Learning

• arxiv url: http://arxiv.org/abs/2105.09266v5
• Date: Thu, 13 Feb 2025 12:15:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-14 13:46:51.732252
• 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, 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、米国と欧州連合の両方で施行されている法律を考慮し、これらの質問に答えようとしている。 そこから分析をコード生成に拡張し、コード生成は生成的ディープラーニングの新たな領域です。
• 参考スコア（独自算出の注目度）: 2.4555276449137042
• License:
• 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, which have seen a formidable development and remarkable refinement in the very recent years. Given the inherent characteristics of these techniques, a series of novel legal problems arise. In this article, we consider a set of key questions in the area of generative deep learning for the arts, including the following: 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? Who (if someone) will own the copyright on the generated data? We try to answer these questions considering the law in force in both the United States of America and the European Union, and potential future alternatives. We then extend our analysis to code generation, which is an emerging area of generative deep learning. Finally, we also formulate a set of practical guidelines for artists and developers working on deep learning generated art, as well as some policy suggestions for policymakers.
• 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。 これらの美術品は、主に生成的な深層学習技術に基づいており、これは近年で顕著な発展と顕著な洗練をみせている。 これらの技術の本質的な特徴を考えると、一連の新しい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。 生成モデルのためのトレーニングセットとして著作権付き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、法的にそれらのコピーを格納するにはどうすればよいのか? もし(誰かが)生成したデータの著作権を誰が所有するのか? 我々は、米国と欧州連合の両方で施行されている法律と、将来の代替案を考慮し、これらの疑問に答えようとしている。 そこから分析をコード生成に拡張し、コード生成は生成的ディープラーニングの新たな領域です。 最後に、私たちは、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や開発者のための実践的なガイドラインと、政策立案者のためのポリシー提案を定式化します。

関連論文リスト

• IntroStyle: Training-Free Introspective Style Attribution using Diffusion Features [89.95303251220734]
  本稿では,拡散モデルのみによって生成された特徴を用いて,スタイル帰属問題を解決するための学習自由フレームワークを提案する。 これはイントロスペクティブなスタイル属性(IntroStyle)と表現され、スタイル検索の最先端モデルよりも優れたパフォーマンスを示す。 また,芸術的スタイルを分離し,きめ細かなスタイル帰属性能を評価するために,スタイルハック(SHacks)の合成データセットも導入した。
  論文  参考訳（メタデータ） (2024-12-19T01:21:23Z)
• Art-Free Generative Models: Art Creation Without Graphic Art Knowledge [50.60063523054282]
  美術関連コンテンツへのアクセスなしに訓練されたテキスト・画像生成モデルを提案する。 そこで我々は,選択した芸術スタイルのごく一部の例を用いて,シンプルな,かつ効果的なアートアダプタの学習方法を提案する。
  論文  参考訳（メタデータ） (2024-11-29T18:59:01Z)
• Diffusion-Based Visual Art Creation: A Survey and New Perspectives [51.522935314070416]
  本調査は,拡散に基づく視覚芸術創造の新たな領域を探求し,その発展を芸術的,技術的両面から検討する。 本研究は,芸術的要件が技術的課題にどのように変換されるかを明らかにし,視覚芸術創造における拡散法の設計と応用を強調した。 我々は、AIシステムが芸術的知覚と創造性において人間の能力をエミュレートし、潜在的に増強するメカニズムに光を当てることを目指している。
  論文  参考訳（メタデータ） (2024-08-22T04:49:50Z)
• At the edge of a generative cultural precipice [1.688134675717698]
  NFTと大規模な生成モデルが公開されて以来、アーティストは彼らの仕事が脅かされ、盗まれたのを見た。 生成モデルは、人為的なコンテンツを使用してトレーニングされ、それらが生成できるスタイルとテーマをより良くガイドします。 生成モデルに関する最近の研究に触発されて、私たちは注意深い物語を語り、生成モデルが生成コンテンツのみに基づいてトレーニングされる道のりをたどるかどうかを視覚芸術に何が起こるか尋ねたい。
  論文  参考訳（メタデータ） (2024-04-30T23:26:24Z)
• ©Plug-in Authorization for Human Content Copyright Protection in Text-to-Image Model [71.47762442337948]
  最先端のモデルは、オリジナルクリエーターを信用せずに高品質なコンテンツを作成する。 本稿では,3つの操作 – 追加,抽出,組み合わせ – を導入した著作権プラグイン認証フレームワークを提案する。 アーティストスタイルの複製と漫画IPレクリエーションの実験は、著作権プラグインの有効性を実証している。
  論文  参考訳（メタデータ） (2024-04-18T07:48:00Z)
• Copyright Protection in Generative AI: A Technical Perspective [58.84343394349887]
  ジェネレーティブAIは近年急速に進歩し、テキスト、画像、オーディオ、コードなどの合成コンテンツを作成する能力を拡大している。 これらのディープ・ジェネレーティブ・モデル(DGM)が生成したコンテンツの忠実さと信頼性が、著作権の重大な懸念を引き起こしている。 この研究は、技術的観点から著作権保護の包括的概要を提供することで、この問題を深く掘り下げている。
  論文  参考訳（メタデータ） (2024-02-04T04:00:33Z)
• A Dataset and Benchmark for Copyright Infringement Unlearning from Text-to-Image Diffusion Models [52.49582606341111]
  著作権法は、クリエイティブ作品を再生、配布、収益化する排他的権利をクリエイターに与えている。 テキスト・ツー・イメージ・ジェネレーションの最近の進歩は、著作権の執行に重大な課題をもたらしている。 CLIP、ChatGPT、拡散モデルを調和させてデータセットをキュレートする新しいパイプラインを導入する。
  論文  参考訳（メタデータ） (2024-01-04T11:14:01Z)
• 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)
• 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)
• Biases in Generative Art -- A Causal Look from the Lens of Art History [3.198144010381572]
  本稿では,アルゴリズム設計に関連する問題に対する不適切な問題定式化によって生じるAIパイプラインのバイアスについて検討する。 アート作成の過程をモデル化する上で,現在の手法が不足している点を強調し,様々なバイアスに寄与する。
  論文  参考訳（メタデータ） (2020-10-26T00:49:09Z)

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。