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

• arxiv url: http://arxiv.org/abs/2209.07667v2
• Date: Sat, 19 Nov 2022 14:49:43 GMT
• ステータス: 処理完了
• システム内更新日: 2023-02-19 11:12:50.497876
• 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: 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。
• 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 AI based art has proliferated in the past year, with increasingly impressive use cases from generating fake human faces to the creation of systems that can generate thousands of artistic images from text prompts - some of these images have even been "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 artists -- 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. However, we posit that if deployed responsibly, AI generative models have the possibility of being a positive, new modality in art that does not displace or harm existing artists.
• Abstract（参考訳）: AIをベースとしたジェネレーティブアートはこの1年で急増し、偽の人間の顔を生成したり、テキストプロンプトから何千もの芸術的画像を生成できるシステムを作るなど、ますます印象的なユースケースが増えている。 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与えたのかを,質的な視点だけでなく,アーティストの搾取の視点からも考察する。 しかし、もし責任を持ってデプロイすれば、ai生成モデルは、既存のアーティストを置き換えたり、傷つけたりしない芸術におけるポジティブで新しいモダリティになり得ると仮定します。

関連論文リスト

• 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)
• ©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。 抽出により、クリエーターは侵害モデルから著作権を回復することができ、組み合わせることでユーザーは異なる著作権プラグインをマージすることができる。
  論文  参考訳（メタデータ） (2024-04-18T07:48:00Z)
• 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。