論文の概要: Compression ensembles quantify aesthetic complexity and the evolution of
visual art
- arxiv url: http://arxiv.org/abs/2205.10271v1
- Date: Fri, 20 May 2022 16:05:22 GMT
- ステータス: 処理完了
- システム内更新日: 2022-05-23 15:12:14.532505
- Title: Compression ensembles quantify aesthetic complexity and the evolution of
visual art
- Title（参考訳）: 圧縮アンサンブルは美的複雑さと視覚芸術の進化を定量化する
- Authors: Andres Karjus, Mar Canet Sol\`a, Tillmann Ohm, Sebastian E. Ahnert,
Maximilian Schich
- Abstract要約: 我々は、歴史的・現代視覚メディアにおけるアルゴリズム距離を定量化するために、圧縮アプローチを一般化し拡張する。
提案された「アンサンブル」アプローチは、与えられた入力画像の多数の変換されたバージョンを圧縮することで機能する。
我々は、この手法が、何世紀にもわたって、そして急速に発展している現代NFTアートマーケットにおいて、美術史データのトレンドを明らかにし、定量化するためにどのように使われるかを示す。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The quantification of visual aesthetics and complexity have a long history,
the latter previously operationalized via the application of compression
algorithms. Here we generalize and extend the compression approach beyond
simple complexity measures to quantify algorithmic distance in historical and
contemporary visual media. The proposed "ensemble" approach works by
compressing a large number of transformed versions of a given input image,
resulting in a vector of associated compression ratios. This approach is more
efficient than other compression-based algorithmic distances, and is
particularly suited for the quantitative analysis of visual artifacts, because
human creative processes can be understood as algorithms in the broadest sense.
Unlike comparable image embedding methods using machine learning, our approach
is fully explainable through the transformations. We demonstrate that the
method is cognitively plausible and fit for purpose by evaluating it against
human complexity judgments, and on automated detection tasks of authorship and
style. We show how the approach can be used to reveal and quantify trends in
art historical data, both on the scale of centuries and in rapidly evolving
contemporary NFT art markets. We further quantify temporal resemblance to
disambiguate artists outside the documented mainstream from those who are
deeply embedded in Zeitgeist. Finally, we note that compression ensembles
constitute a quantitative representation of the concept of visual family
resemblance, as distinct sets of dimensions correspond to shared visual
characteristics otherwise hard to pin down. Our approach provides a new
perspective for the study of visual art, algorithmic image analysis, and
quantitative aesthetics more generally.
- Abstract（参考訳）: 視覚美学と複雑性の定量化には長い歴史があり、後者は以前圧縮アルゴリズムを用いて運用されていた。
ここでは,歴史・現代視覚メディアにおけるアルゴリズム的距離を定量化するために,簡単な複雑性尺度を超えて圧縮アプローチを一般化し拡張する。
提案する"ensemble"アプローチは、与えられた入力画像の多くの変換バージョンを圧縮することにより、関連する圧縮比のベクトルを生成する。
このアプローチは他の圧縮に基づくアルゴリズム距離よりも効率的であり、人間の創造的プロセスが最も広義のアルゴリズムとして理解できるため、視覚的アーティファクトの定量的分析に特に適している。
機械学習を用いた画像埋め込み法と異なり、我々のアプローチは変換によって完全に説明可能である。
本手法は,人間の複雑性判断に対して評価し,著作者や作風の自動検出タスクを行うことにより,認知的に有理であり,目的に適合することを示す。
我々は、このアプローチが、何世紀もの規模の美術史データと、急速に発展する現代のnftアート市場の両方のトレンドを解明し、定量化するためにどのように役立つかを示す。
我々は、ゼイトジストに深く埋め込まれている人々から、文書化されたメインストリーム以外のアーティストを曖昧にする時間的類似性をさらに定量化する。
最後に,圧縮アンサンブルは,異なる次元の集合がピンダウンしにくい共有視覚特性に対応するため,視覚的家族類似性の概念を定量的に表わすものであることに留意する。
本手法は,視覚芸術,アルゴリズム画像解析,定量的美学をより一般的に研究するための新しい視点を提供する。
関連論文リスト
- Diversity and stylization of the contemporary user-generated visual arts in the complexity-entropy plane [3.6241617325524853]
複雑エントロピー平面(C-H)を用いて視覚芸術様式の出現とスタイル化を導く進化過程を考察する。
2010年から2020年にかけてDeviantArtとBehanceプラットフォームで撮影された149,780の画像を分析した。
その結果,視覚芸術様式のC-H情報と多面像の特徴の相違との間に有意な統計的関係が認められた。
論文 参考訳（メタデータ） (2024-08-19T18:54:01Z) - Accelerating Scientific Discovery with Generative Knowledge Extraction, Graph-Based Representation, and Multimodal Intelligent Graph Reasoning [0.0]
我々は1000の科学論文からなるデータセットを、オントロジ知識グラフに変換した。
我々はノード度を計算し、コミュニティと接続性を同定し、クラスタリング係数とピボットノード間の重心性を評価した。
グラフは本質的に無スケールの性質を持ち、高連結であり、グラフ推論に使用できる。
論文 参考訳（メタデータ） (2024-03-18T17:30:27Z) - Two Approaches to Supervised Image Segmentation [55.616364225463066]
本研究は、深層学習とマルチセットニューロンのアプローチの比較実験を開発する。
ディープラーニングアプローチは、画像セグメンテーションの実行の可能性を確認した。
代替のマルチセット手法では、計算資源をほとんど必要とせずに精度を向上することができた。
論文 参考訳（メタデータ） (2023-07-19T16:42:52Z) - Measuring uncertainty in human visual segmentation [1.2289361708127877]
本稿では,知覚的セグメンテーションマップを計測するための新しい統合的アプローチを提案する。
画素に基づく等差判定を計測し,下層のセグメンテーションマップをモデルベースで再構成する。
画像の不確実性は測定された人間の変動に影響を及ぼし、被験者が異なる視覚的特徴の量に影響を及ぼすことを示す。
論文 参考訳（メタデータ） (2023-01-18T22:38:03Z) - Self-Similarity Priors: Neural Collages as Differentiable Fractal
Representations [73.14227103400964]
本稿では,自己相似性の自動発見における学習の役割と下流タスクの活用について検討する。
我々は、自己参照型構造化変換のパラメータとしてデータを表す暗黙演算子の新しいクラスであるニューラルコラージュを設計する。
本稿では,ニューラルコラージュが生成する表現を,データ圧縮や生成など様々なタスクで活用する方法を検討する。
論文 参考訳（メタデータ） (2022-04-15T22:54:23Z) - Perception Over Time: Temporal Dynamics for Robust Image Understanding [5.584060970507506]
ディープラーニングは、狭く特定の視覚タスクにおいて、人間レベルのパフォーマンスを上回る。
人間の視覚知覚は入力刺激の変化に対して、桁違いに頑丈である。
静的画像理解に時間力学を取り入れた新しい手法を提案する。
論文 参考訳（メタデータ） (2022-03-11T21:11:59Z) - Implicit Neural Representations for Image Compression [103.78615661013623]
Inlicit Neural Representations (INRs) は、様々なデータ型の新規かつ効果的な表現として注目されている。
量子化、量子化を考慮した再学習、エントロピー符号化を含むINRに基づく最初の包括的圧縮パイプラインを提案する。
我々は、INRによるソース圧縮に対する我々のアプローチが、同様の以前の作業よりも大幅に優れていることに気付きました。
論文 参考訳（メタデータ） (2021-12-08T13:02:53Z) - Video Coding for Machine: Compact Visual Representation Compression for
Intelligent Collaborative Analytics [101.35754364753409]
Video Coding for Machines (VCM) は、ビデオ/画像圧縮と特徴圧縮をある程度別々の研究トラックにブリッジすることを約束している。
本稿では,既存の学術・産業活動に基づくVCM方法論と哲学を要約する。
論文 参考訳（メタデータ） (2021-10-18T12:42:13Z) - Revisit Visual Representation in Analytics Taxonomy: A Compression
Perspective [69.99087941471882]
圧縮された視覚表現を用いて複数のマシンビジョン分析タスクをサポートする問題について検討する。
異なるタスク間の本質的な転送性を利用することで、低ビットレートでコンパクトで表現力のある表現を構築できる。
表現にコンパクトさを課すために,コードブックベースのハイパープライヤを提案する。
論文 参考訳（メタデータ） (2021-06-16T01:44:32Z) - Deep Co-Attention Network for Multi-View Subspace Learning [73.3450258002607]
マルチビューサブスペース学習のための深層コアテンションネットワークを提案する。
共通情報と相補情報の両方を敵意で抽出することを目的としている。
特に、新しいクロス再構成損失を使用し、ラベル情報を利用して潜在表現の構築を誘導する。
論文 参考訳（メタデータ） (2021-02-15T18:46:44Z)
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。