Fugu-MT 論文翻訳(概要): An Order-Complexity Model for Aesthetic Quality Assessment of Symbolic Homophony Music Scores

論文の概要: An Order-Complexity Model for Aesthetic Quality Assessment of Symbolic Homophony Music Scores

arxiv url: http://arxiv.org/abs/2301.05908v1
Date: Sat, 14 Jan 2023 12:30:16 GMT
ステータス: 処理完了
システム内更新日: 2023-01-18 18:15:59.847777
Title: An Order-Complexity Model for Aesthetic Quality Assessment of Symbolic Homophony Music Scores
Title（参考訳）: 記号的ホモフォニー楽譜の美的品質評価のための秩序・複雑度モデル
Authors: Xin Jin, Wu Zhou, Jinyu Wang, Duo Xu, Yiqing Rong, Shuai Cui
Abstract要約: AIが生み出す音楽の質は、人間の作曲家が生み出すものに比べれば比較的劣っている。本稿では,ホモフォニー楽譜の美的品質評価のための客観的定量的評価法を提案する。
参考スコア（独自算出の注目度）: 8.751312368054016
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Computational aesthetics evaluation has made great achievements in the field of visual arts, but the research work on music still needs to be explored. Although the existing work of music generation is very substantial, the quality of music score generated by AI is relatively poor compared with that created by human composers. The music scores created by AI are usually monotonous and devoid of emotion. Based on Birkhoff's aesthetic measure, this paper proposes an objective quantitative evaluation method for homophony music score aesthetic quality assessment. The main contributions of our work are as follows: first, we put forward a homophony music score aesthetic model to objectively evaluate the quality of music score as a baseline model; second, we put forward eight basic music features and four music aesthetic features.
Abstract（参考訳）: コンピュータの美学評価は視覚芸術の分野で大きな成果を上げているが、音楽の研究はいまだに検討する必要がある。既存の音楽生成の成果は非常に大きいが、AIが生み出す音楽の質は、人間の作曲家が生み出すものに比べて相対的に劣っている。 AIによって作成された音楽のスコアは通常単調で感情を欠いている。本稿では,Birkhoffの美的尺度に基づいて,ホモフォニー楽譜の美的品質評価のための客観的定量的評価法を提案する。第1に,音楽スコアの質を基準モデルとして客観的に評価するために,ホモフォニー音楽スコア美学モデルを作成し,第2に8つの基本音楽特徴と4つの音楽美的特徴を提示した。

関連論文リスト

DAIRHuM: A Platform for Directly Aligning AI Representations with Human Musical Judgments applied to Carnatic Music [0.0]
本稿では,AI音楽モデルRepresentationsとHuman Musical judgments(DAIRHuM)の直接的なアライメントを探求するプラットフォームを提案する。ミュージシャンや実験家が音楽録音のデータセットに類似点をラベル付けできるように設計され、事前訓練されたモデルのラベルとのアライメントを調べる。その結果、リズムの調和の人的判断とモデルアライメントに関する顕著な知見が得られ、また、リズム知覚とカーナティック音楽特有の音楽類似性判断に重要な違いが浮き彫りにされた。
論文参考訳（メタデータ） (2024-11-22T13:04:51Z)
MeLFusion: Synthesizing Music from Image and Language Cues using Diffusion Models [57.47799823804519]
私たちは、ミュージシャンが映画の脚本だけでなく、視覚化を通して音楽を作る方法にインスピレーションを受けています。本稿では,テキスト記述と対応する画像からの手がかりを効果的に利用して音楽を合成するモデルであるMeLFusionを提案する。音楽合成パイプラインに視覚情報を加えることで、生成した音楽の質が大幅に向上することを示す。
論文参考訳（メタデータ） (2024-06-07T06:38:59Z)
An Order-Complexity Aesthetic Assessment Model for Aesthetic-aware Music Recommendation [20.164044758068634]
主観評価は芸術作品を評価する上でもっとも効果的な方法です人間が作った音楽と比較すると、AIが生成した音楽は機械的、単調に聞こえるし、美的魅力がない。ビルホフの美的尺度を用いて、美的モデルを設計し、音楽の美的美しさを客観的に測定し、音楽の美的感覚に応じてレコメンデーションリストを作成する。
論文参考訳（メタデータ） (2024-02-13T09:03:03Z)
MusicRL: Aligning Music Generation to Human Preferences [62.44903326718772]
MusicRLは人間のフィードバックによって微調整された最初の音楽生成システムである。ユーザに対してMusicLMをデプロイし,30,000対の選好からなる実質的なデータセットを収集する。人間のフィードバックを大規模に組み込んだ最初のテキスト-音楽モデルであるMusicRL-Uを訓練する。
論文参考訳（メタデータ） (2024-02-06T18:36:52Z)
A Comprehensive Survey for Evaluation Methodologies of AI-Generated Music [14.453416870193072]
本研究の目的は,AI生成音楽を評価するための主観的,客観的,複合的な方法論を包括的に評価することである。究極的には、音楽評価分野における生成的AIの統合のための貴重な参考資料を提供する。
論文参考訳（メタデータ） (2023-08-26T02:44:33Z)
MARBLE: Music Audio Representation Benchmark for Universal Evaluation [79.25065218663458]
我々は,UniversaL Evaluation(MARBLE)のための音楽音響表現ベンチマークを紹介する。音響、パフォーマンス、スコア、ハイレベルな記述を含む4つの階層レベルを持つ包括的分類を定義することで、様々な音楽情報検索(MIR)タスクのベンチマークを提供することを目的としている。次に、8つの公開データセット上の14のタスクに基づいて統一されたプロトコルを構築し、ベースラインとして音楽録音で開発されたすべてのオープンソース事前学習モデルの表現を公平かつ標準的に評価する。
論文参考訳（メタデータ） (2023-06-18T12:56:46Z)
RMSSinger: Realistic-Music-Score based Singing Voice Synthesis [56.51475521778443]
RMS-SVSは、異なる音符タイプでリアル音楽のスコアを与えられた高品質な歌声を生成することを目的としている。 RMS-SVS方式であるRMSSingerを提案する。 RMSSingerでは,時間を要する音素の持続時間アノテーションと複雑な音素レベルのメルノートアライメントを避けるために,単語レベルのモデリングを導入する。
論文参考訳（メタデータ） (2023-05-18T03:57:51Z)
An Order-Complexity Model for Aesthetic Quality Assessment of Homophony Music Performance [8.751312368054016]
主観評価は音楽美学研究の究極の方法です AIが生み出す音楽のパフォーマンスはまだ機械的であり、単調であり、美しさに欠けています。本稿では,ビルホフの美的尺度を用いて美の客観的測定法を提案する。
論文参考訳（メタデータ） (2023-04-23T03:02:24Z)
Music Harmony Generation, through Deep Learning and Using a Multi-Objective Evolutionary Algorithm [0.0]
本稿では,ポリフォニック音楽生成のための遺伝的多目的進化最適化アルゴリズムを提案する。ゴールの1つは音楽の規則と規則であり、他の2つのゴール、例えば音楽の専門家や普通のリスナーのスコアとともに、最も最適な反応を得るために進化のサイクルに適合する。その結果,提案手法は,聞き手を引き寄せながら文法に従う調和音とともに,所望のスタイルや長さの難易度と快適さを生み出すことができることがわかった。
論文参考訳（メタデータ） (2021-02-16T05:05:54Z)
Music Gesture for Visual Sound Separation [121.36275456396075]
ミュージック・ジェスチャ(Music Gesture)は、音楽演奏時の演奏者の身体と指の動きを明示的にモデル化するキーポイントに基づく構造化表現である。まず、コンテキスト対応グラフネットワークを用いて、視覚的コンテキストと身体力学を統合し、その後、身体の動きと対応する音声信号とを関連付けるために、音声-視覚融合モデルを適用する。
論文参考訳（メタデータ） (2020-04-20T17:53:46Z)
Multi-Modal Music Information Retrieval: Augmenting Audio-Analysis with Visual Computing for Improved Music Video Analysis [91.3755431537592]
この論文は、音声分析とコンピュータビジョンを組み合わせて、マルチモーダルの観点から音楽情報検索(MIR)タスクにアプローチする。本研究の主な仮説は、ジャンルやテーマなど特定の表現的カテゴリーを視覚的内容のみに基づいて認識できるという観察に基づいている。実験は、3つのMIRタスクに対して行われ、アーティスト識別、音楽ジェネア分類、クロスジェネア分類を行う。
論文参考訳（メタデータ） (2020-02-01T17:57:14Z)

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。