論文の概要: AI Art Neural Constellation: Revealing the Collective and Contrastive State of AI-Generated and Human Art

• arxiv url: http://arxiv.org/abs/2402.02453v1
• Date: Sun, 4 Feb 2024 11:49:51 GMT
• ステータス: 処理完了
• システム内更新日: 2024-02-06 19:38:10.743400
• Title: AI Art Neural Constellation: Revealing the Collective and Contrastive State of AI-Generated and Human Art
• Title（参考訳）: AIアート ニューラル・コンステレーション:AI生成と人間のアートの集合的かつコントラスト的状態を明らかにする
• Authors: Faizan Farooq Khan, Diana Kim, Divyansh Jha, Youssef Mohamed, Hanna H Chang, Ahmed Elgammal, Luba Elliott, Mohamed Elhoseiny
• Abstract要約: 我々は、人間の芸術遺産の文脈内でAI生成芸術を位置づけるための包括的な分析を行う。 私たちの比較分析は、ArtConstellationと呼ばれる広範なデータセットに基づいています。 鍵となる発見は、1800-2000年に作られた現代美術の原理とAIが生成したアートアートが視覚的に関連していることである。
• 参考スコア（独自算出の注目度）: 36.21731898719347
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Discovering the creative potentials of a random signal to various artistic expressions in aesthetic and conceptual richness is a ground for the recent success of generative machine learning as a way of art creation. To understand the new artistic medium better, we conduct a comprehensive analysis to position AI-generated art within the context of human art heritage. Our comparative analysis is based on an extensive dataset, dubbed ``ArtConstellation,'' consisting of annotations about art principles, likability, and emotions for 6,000 WikiArt and 3,200 AI-generated artworks. After training various state-of-the-art generative models, art samples are produced and compared with WikiArt data on the last hidden layer of a deep-CNN trained for style classification. We actively examined the various art principles to interpret the neural representations and used them to drive the comparative knowledge about human and AI-generated art. A key finding in the semantic analysis is that AI-generated artworks are visually related to the principle concepts for modern period art made in 1800-2000. In addition, through Out-Of-Distribution (OOD) and In-Distribution (ID) detection in CLIP space, we find that AI-generated artworks are ID to human art when they depict landscapes and geometric abstract figures, while detected as OOD when the machine art consists of deformed and twisted figures. We observe that machine-generated art is uniquely characterized by incomplete and reduced figuration. Lastly, we conducted a human survey about emotional experience. Color composition and familiar subjects are the key factors of likability and emotions in art appreciation. We propose our whole methodologies and collected dataset as our analytical framework to contrast human and AI-generated art, which we refer to as ``ArtNeuralConstellation''. Code is available at: https://github.com/faixan-khan/ArtNeuralConstellation
• Abstract（参考訳）: 様々な芸術表現に対するランダムな信号の創造的可能性の発見は、芸術創造の方法としての生成的機械学習の最近の成功の土台である。 新たな芸術メディアをよりよく理解するために,人間の芸術遺産の文脈内でAI生成芸術を位置づけるための包括的な分析を行う。 私たちの比較分析は,6,000ウィキアートと3,200のai生成アートに対して,芸術原理,リキビリティ,感情に関する注釈からなる,'artconstellation'と呼ばれる広範なデータセットに基づいています。 様々な最先端生成モデルを訓練した後、アートサンプルを作成し、スタイル分類のために訓練されたディープCNNの最後の隠蔽層上のWikiArtデータと比較する。 我々は、神経表現を解釈するための様々な技術原理を積極的に検討し、人間とAI生成技術の比較知識の推進に利用した。 意味分析の鍵となる発見は、1800-2000年に作られた現代美術の原理概念とaiが生成したアートワークが視覚的に関連していることである。 さらに,CLIP空間におけるOF-Distribution (OOD) とIn-Distribution (ID) の検出により,AI生成したアートアートがランドスケープや幾何学的抽象図形を描く際にはIDであり,機械アートが変形した図形とねじれた図形で構成されている場合にはOODとして検出されることがわかった。 機械生成芸術は不完全かつ縮小されたフィギュレーションによって特徴付けられる。 最後に,感情経験に関する人間調査を行った。 色彩構成と慣れ親しんだ主題は、芸術鑑賞におけるライカビリティと感情の重要な要素である。 我々は,「ArtNeuralConstellation」と呼ぶ,人間とAIが生成するアートを対比する分析フレームワークとして,方法論全体と収集データセットを提案する。 コードは、https://github.com/faixan-khan/ArtNeuralConstellationで入手できる。

関連論文リスト

• Diffusion-Based Visual Art Creation: A Survey and New Perspectives [51.522935314070416]
  本調査は,拡散に基づく視覚芸術創造の新たな領域を探求し,その発展を芸術的,技術的両面から検討する。 本研究は,芸術的要件が技術的課題にどのように変換されるかを明らかにし,視覚芸術創造における拡散法の設計と応用を強調した。 我々は、AIシステムが芸術的知覚と創造性において人間の能力をエミュレートし、潜在的に増強するメカニズムに光を当てることを目指している。
  論文  参考訳（メタデータ） (2024-08-22T04:49:50Z)
• 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)
• Towards Artistic Image Aesthetics Assessment: a Large-scale Dataset and a New Method [64.40494830113286]
  まず、Boldbrush Artistic Image dataset (BAID)という大規模なAIAAデータセットを紹介します。 そこで我々は,芸術的イメージを評価するために,スタイル特異的で汎用的な美的情報を効果的に抽出し,活用する新たな手法であるSAANを提案する。 実験により,提案手法は提案したBAIDデータセット上で既存のIAA手法よりも優れていることが示された。
  論文  参考訳（メタデータ） (2023-03-27T12:59:15Z)
• Pathway to Future Symbiotic Creativity [76.20798455931603]
  そこで本研究では, 5クラス階層の創造システムを分類し, 擬人アーティストから機械アーティストへの創造の道筋を示す。 芸術創造においては、機械は欲求、感謝、感情を含む人間の精神状態を理解する必要があるが、機械の創造的能力と限界も理解する必要がある。 我々は、人間互換のAIシステムが「ループ内人間」の原理に基づいているべきだという哲学を取り入れた、未来のマシンアーティストを構築するための新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-08-18T15:12:02Z)
• Art Creation with Multi-Conditional StyleGANs [81.72047414190482]
  人間のアーティストは、独特のスキル、理解、そして深い感情や感情を引き起こすアートワークを作る真の意図の組み合わせが必要です。 本研究では,多条件生成支援ネットワーク(GAN)アプローチを導入し,人間の芸術を模倣する現実的な絵画を合成する。
  論文  参考訳（メタデータ） (2022-02-23T20:45:41Z)
• 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)
• The Work of Art in an Age of Mechanical Generation [0.0]
  私たちの定義は、人工知能システムを人間の努力と区別できない創造性の偉業へと駆り立てることができますか? 本稿は、AIが有名な絵画の偽造を検知する能力について考察する。
  論文  参考訳（メタデータ） (2021-01-27T18:32:58Z)
• Art Style Classification with Self-Trained Ensemble of AutoEncoding Transformations [5.835728107167379]
  絵画の芸術的スタイルは豊かな記述物であり、アーティストが創造的なビジョンをどのように表現し表現するかについての視覚的知識と深い本質的な知識の両方を明らかにする。 本稿では,高度な自己指導型学習手法を用いて,クラス内およびクラス間変動の少ない複雑な芸術的スタイルを認識することの課題を解決する。
  論文  参考訳（メタデータ） (2020-12-06T21:05:23Z)
• Biases in Generative Art -- A Causal Look from the Lens of Art History [3.198144010381572]
  本稿では,アルゴリズム設計に関連する問題に対する不適切な問題定式化によって生じるAIパイプラインのバイアスについて検討する。 アート作成の過程をモデル化する上で,現在の手法が不足している点を強調し,様々なバイアスに寄与する。
  論文  参考訳（メタデータ） (2020-10-26T00:49:09Z)

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。