論文の概要: Can There be Art Without an Artist?

• arxiv url: http://arxiv.org/abs/2209.07667v1
• Date: Fri, 16 Sep 2022 01:23:19 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-19 12:16:30.009659
• Title: Can There be Art Without an Artist?
• Title（参考訳）: アーティストがいない芸術はあるだろうか?
• Authors: Avijit Ghosh, Genoveva Fossas
• Abstract要約: GAN(Generative Adversarial Network)をベースとしたアートは、過去1年間に急増している。 我々は、生成モデルが芸術と職人の搾取にどう影響したかを探求する。
• 参考スコア（独自算出の注目度）: 1.2691047660244335
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Generative Adversarial Network (GAN) based art has proliferated in the past year, going from a shiny new tool to generate fake human faces to a stage where anyone can generate thousands of artistic images with minimal effort. Some of these images are now ``good'' enough to win accolades from qualified judges. In this paper, we explore how Generative Models have impacted artistry, not only from a qualitative point of view, but also from an angle of exploitation of artisans --both via plagiarism, where models are trained on their artwork without permission, and via profit shifting, where profits in the art market have shifted from art creators to model owners or to traders in the unregulated secondary crypto market. This confluence of factors risks completely detaching humans from the artistic process, devaluing the labor of artists and distorting the public perception of the value of art.
• Abstract（参考訳）: この1年、gan(generative adversarial network)ベースのアートが広まり、偽の人間の顔を生成する光沢のある新しいツールから、誰もが最小限の努力で何千ものアートイメージを生成できるステージへと進化した。 これらの画像のいくつかは、資格のある審査員から称賛を受けるのに十分な「良い」ものとなっている。 本稿では,生成モデルが芸術に与えた影響について,質的観点からだけでなく,職人の搾取の面からも考察する。モデルが許可なくアートワークで訓練される盗作主義や,アートマーケットにおける利益がアートクリエーターからモデルオーナーへ,あるいは規制のない二次暗号通貨市場のトレーダーへとシフトした利益シフトを通じて考察する。 この要因の一致は、芸術的プロセスから人間を完全に排除し、芸術家の労働力を減らし、芸術の価値に対する大衆の認識を歪めてしまうリスクを負う。

関連論文リスト

• 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)
• Adversarial Perturbations Cannot Reliably Protect Artists From Generative AI [61.35083814817094]
  オンラインで公開されたアートワークに小さな敵対的摂動を取り入れた、スタイルの模倣に対する保護ツールがいくつか開発されている。 画像アップスケーリングのような低努力と「オフ・ザ・シェルフ」技術は、既存の保護を著しく劣化させる堅牢な模倣手法を作成するのに十分であることがわかった。 我々は,敵対的摂動に基づくツールが,生成AIの誤用からアーティストを確実に保護できないことを警告する。
  論文  参考訳（メタデータ） (2024-06-17T18:51:45Z)
• 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)
• Rethinking Artistic Copyright Infringements in the Era of Text-to-Image Generative Models [47.19481598385283]
  ArtSavantは、ウィキアートの作品の参照データセットと比較することで、アーティストのユニークなスタイルを決定するツールである。 そこで我々は,3つの人気テキスト・画像生成モデルにまたがる芸術的スタイルの複製の頻度を定量的に把握するために,大規模な実証的研究を行った。
  論文  参考訳（メタデータ） (2024-04-11T17:59:43Z)
• Foregrounding Artist Opinions: A Survey Study on Transparency, Ownership, and Fairness in AI Generative Art [0.0]
  生成AIツールは、アートのようなアウトプットを作成し、時には創造的なプロセスを支援するために使用される。 我々は459人のアーティストを調査し、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査した。
  論文  参考訳（メタデータ） (2024-01-27T20:22:46Z)
• CreativeSynth: Creative Blending and Synthesis of Visual Arts based on Multimodal Diffusion [74.44273919041912]
  大規模なテキスト・画像生成モデルは印象的な進歩を遂げ、高品質な画像を合成する能力を示している。 しかし、これらのモデルを芸術的な画像編集に適用することは、2つの重要な課題を提起する。 我々は,マルチモーダル入力をコーディネートする拡散モデルに基づく,革新的な統一フレームワークCreative Synthを構築した。
  論文  参考訳（メタデータ） (2024-01-25T10:42:09Z)
• 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)
• Inventing art styles with no artistic training data [0.65268245109828]
  本研究では,自然画像のみに基づいて学習したモデルを用いて,絵画スタイルを作成する2つの手法を提案する。 第1の手順では、創造的な表現を達成するために、芸術媒体からの帰納バイアスを用いる。 第2の手順では、新たなスタイルを作るためのインスピレーションとして、追加の自然なイメージを使用する。
  論文  参考訳（メタデータ） (2023-05-19T21:59:23Z)
• Learning to Evaluate the Artness of AI-generated Images [64.48229009396186]
  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)
• 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)
• Quantifying Confounding Bias in Generative Art: A Case Study [3.198144010381572]
  本研究では,美術作品の学習スタイルにおける芸術運動の影響のモデル化が欠如していることから,難解なバイアスを定量化するための簡易な指標を提案する。 提案手法は,芸術作品における芸術運動の影響を理解する上で,最先端の外れ値検出法よりも有効である。
  論文  参考訳（メタデータ） (2021-02-23T21:59:30Z)

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。