論文の概要: Mitigating Viewer Impact from Disturbing Imagery using AI Filters: A
User-Study
- arxiv url: http://arxiv.org/abs/2307.10334v1
- Date: Wed, 19 Jul 2023 14:17:22 GMT
- ステータス: 処理完了
- システム内更新日: 2023-07-21 16:08:58.138772
- Title: Mitigating Viewer Impact from Disturbing Imagery using AI Filters: A
User-Study
- Title（参考訳）: AIフィルタによる歪み画像からの視聴者影響の軽減:ユーザスタディ
- Authors: Ioannis Sarridis, Jochen Spangenberg, Olga Papadopoulou and Symeon
Papadopoulos
- Abstract要約: 本稿では,人工知能(AI)に基づく画像フィルタを用いて,乱れたコンテンツを視聴する際の感情的影響を緩和する機能について検討する。
従来型(ブラリングと部分ブラリング)とAIベースの(ドローイング,カラードローイング,ペイント)の5種類のフィルタスタイルを試験した。
我々の研究結果は、AIベースの描画スタイルフィルタが最高のパフォーマンスを示し、ネガティブな感情を減らすための有望なソリューションを提供することを示唆している。
- 参考スコア（独自算出の注目度）: 9.04360473254788
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Exposure to disturbing imagery can significantly impact individuals,
especially professionals who encounter such content as part of their work. This
paper presents a user study, involving 107 participants, predominantly
journalists and human rights investigators, that explores the capability of
Artificial Intelligence (AI)-based image filters to potentially mitigate the
emotional impact of viewing such disturbing content. We tested five different
filter styles, both traditional (Blurring and Partial Blurring) and AI-based
(Drawing, Colored Drawing, and Painting), and measured their effectiveness in
terms of conveying image information while reducing emotional distress. Our
findings suggest that the AI-based Drawing style filter demonstrates the best
performance, offering a promising solution for reducing negative feelings
(-30.38%) while preserving the interpretability of the image (97.19%). Despite
the requirement for many professionals to eventually inspect the original
images, participants suggested potential strategies for integrating AI filters
into their workflow, such as using AI filters as an initial, preparatory step
before viewing the original image. Overall, this paper contributes to the
development of a more ethically considerate and effective visual environment
for professionals routinely engaging with potentially disturbing imagery.
- Abstract（参考訳）: 邪魔な画像への露出は、個人、特に仕事の一部としてそのようなコンテンツに遭遇する専門家に大きな影響を与える可能性がある。
本稿では,107人の参加者,主にジャーナリストと人権調査員が参加し,人工知能(AI)に基づく画像フィルタによる,乱れたコンテンツを見ることの感情的影響を軽減できる可能性を探る。
従来型(ぼやけ,部分ぼやけ)とai型(描画,彩色,絵画)の5つの異なるフィルタスタイルをテストし,感情的苦痛を軽減しつつ画像情報伝達の観点からその効果を測定した。
画像の解釈性(97.19%)を維持しつつ、ネガティブな感情(-30.38%)を減らすための有望なソリューションを提供する。
多くのプロフェッショナルが最終的に元のイメージを検査する必要があるにもかかわらず、参加者は、AIフィルタを元のイメージを見る前に最初の準備段階として使用するなど、AIフィルタをワークフローに統合するための潜在的戦略を提案した。
全体として,本論文は,潜在的に乱れたイメージに日常的に関与するプロのための,より倫理的に考慮された効果的な視覚環境の開発に寄与する。
関連論文リスト
- Emotional Images: Assessing Emotions in Images and Potential Biases in Generative Models [0.0]
本稿では、生成人工知能(AI)モデルにより生成された画像の感情的誘発における潜在的なバイアスと矛盾について検討する。
我々は、AIが生成した画像によって誘発される感情と、それらの画像を作成するために使用されるプロンプトによって誘発される感情を比較した。
発見は、AI生成画像が元のプロンプトに関係なく、しばしばネガティブな感情的コンテンツに傾いていることを示している。
論文 参考訳（メタデータ） (2024-11-08T21:42:50Z) - Safeguard Text-to-Image Diffusion Models with Human Feedback Inversion [51.931083971448885]
本稿では,Human Feedback Inversion (HFI) というフレームワークを提案する。
実験の結果,画像品質を維持しながら,好ましくないコンテンツ生成を著しく削減し,公的な領域におけるAIの倫理的展開に寄与することが示された。
論文 参考訳（メタデータ） (2024-07-17T05:21:41Z) - Exploring the Naturalness of AI-Generated Images [59.04528584651131]
我々は、AI生成画像の視覚的自然性をベンチマークし、評価する第一歩を踏み出した。
本研究では,人間の評価を整列するAGIの自然性を自動予測するジョイント・オブジェクト・イメージ・ナチュラルネス評価器(JOINT)を提案する。
その結果,JOINTは自然性評価において,より主観的に一貫した結果を提供するために,ベースラインを著しく上回ることを示した。
論文 参考訳（メタデータ） (2023-12-09T06:08:09Z) - Impressions: Understanding Visual Semiotics and Aesthetic Impact [66.40617566253404]
画像のセミオティックスを調べるための新しいデータセットであるImpressionsを提示する。
既存のマルチモーダル画像キャプションと条件付き生成モデルは、画像に対する可視的応答をシミュレートするのに苦労していることを示す。
このデータセットは、微調整と少数ショット適応により、画像の印象や美的評価をモデル化する能力を大幅に改善する。
論文 参考訳（メタデータ） (2023-10-27T04:30:18Z) - Empowering Visually Impaired Individuals: A Novel Use of Apple Live
Photos and Android Motion Photos [3.66237529322911]
われわれは、Apple Live PhotosとAndroid Motion Photosの技術の使用を提唱している。
以上の結果から,Live PhotosとMotion Photosは,共通の視覚支援タスクにおいて,単フレーム画像よりも優れていた。
論文 参考訳（メタデータ） (2023-09-14T20:46:35Z) - StyleEDL: Style-Guided High-order Attention Network for Image Emotion
Distribution Learning [69.06749934902464]
StyleEDLと呼ばれる画像感情分布学習のためのスタイル誘導型高次アテンションネットワークを提案する。
StyleEDLは視覚内容の階層的スタイリスティック情報を探索することにより、画像のスタイリスティックな表現を対話的に学習する。
さらに、コンテンツ依存の感情表現を動的に生成するスタイリスティックなグラフ畳み込みネットワークを導入する。
論文 参考訳（メタデータ） (2023-08-06T03:22:46Z) - A Portrait of Emotion: Empowering Self-Expression through AI-Generated
Art [0.0]
本研究では,創造的表現を通じて著者の認知過程を反映する生成人工知能(AI)の可能性と限界について検討した。
その結果,主イベントに対する著者の感情の記述に基づく画像の嗜好が示された。
生成AIを用いた研究フレームワークは、関連する分野におけるAIベースの介入を設計するのに役立ちます。
論文 参考訳（メタデータ） (2023-04-26T06:54:53Z) - A domain adaptive deep learning solution for scanpath prediction of
paintings [66.46953851227454]
本稿では,ある絵画の視覚的体験における視聴者の眼球運動分析に焦点を当てた。
我々は、人間の視覚的注意を予測するための新しいアプローチを導入し、人間の認知機能に影響を及ぼす。
提案した新しいアーキテクチャは、画像を取り込んでスキャンパスを返す。
論文 参考訳（メタデータ） (2022-09-22T22:27:08Z) - Patch-wise Contrastive Style Learning for Instagram Filter Removal [3.867363075280544]
ソーシャルメディアフィルターは、現実世界のビジュアル分析アプリケーションにおいて、様々な汚職や摂動の最も一般的なリソースの1つである。
Contrastive Instagram Filter removed Network (CIFR)を導入し、新しいマルチレイヤパッチワイドコントラスト学習機構を用いることで、Instagramフィルタ除去のこの考え方を強化する。
論文 参考訳（メタデータ） (2022-04-15T14:38:28Z) - On the Effect of Selfie Beautification Filters on Face Detection and
Recognition [53.561797148529664]
ソーシャルメディア画像フィルターは、例えば人工眼鏡や動物の鼻で、画像コントラスト、照明、あるいは顔の一部を妨げる。
U-NETセグメンテーションネットワークの修正版を用いて適用操作を再構築する手法を開発した。
認識の観点からは、顔を認識するために訓練されたResNet-34ネットワークを用いて抽出された特徴に対して、距離測定と訓練された機械学習アルゴリズムを用いる。
論文 参考訳（メタデータ） (2021-10-17T22:10:56Z) - AffectGAN: Affect-Based Generative Art Driven by Semantics [2.323282558557423]
本稿では,特定の感情状態を表す芸術的画像を生成する新しい手法を提案する。
我々のAffectGANモデルは、特定の意味的プロンプトや意図された感情的結果に基づいて画像を生成することができる。
AffectGANによって生成された32の画像の小さなデータセットは、50人の参加者によって、彼らが引き起こす特定の感情と、その品質と新規性の観点から注釈付けされている。
論文 参考訳（メタデータ） (2021-09-30T04:53:25Z)
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。