論文の概要: An Order-Complexity Aesthetic Assessment Model for Aesthetic-aware Music
Recommendation
- arxiv url: http://arxiv.org/abs/2402.08300v1
- Date: Tue, 13 Feb 2024 09:03:03 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-14 16:07:18.123572
- Title: An Order-Complexity Aesthetic Assessment Model for Aesthetic-aware Music
Recommendation
- Title(参考訳): 審美的音楽レコメンデーションのための順序複雑美的評価モデル
- Authors: Xin Jin, Wu Zhou, Jingyu Wang, Duo Xu, Yongsen Zheng
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 20.164044758068634
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Computational aesthetic evaluation has made remarkable contribution to visual
art works, but its application to music is still rare. Currently, subjective
evaluation is still the most effective form of evaluating artistic works.
However, subjective evaluation of artistic works will consume a lot of human
and material resources. The popular AI generated content (AIGC) tasks nowadays
have flooded all industries, and music is no exception. While compared to music
produced by humans, AI generated music still sounds mechanical, monotonous, and
lacks aesthetic appeal. Due to the lack of music datasets with rating
annotations, we have to choose traditional aesthetic equations to objectively
measure the beauty of music. In order to improve the quality of AI music
generation and further guide computer music production, synthesis,
recommendation and other tasks, we use Birkhoff's aesthetic measure to design a
aesthetic model, objectively measuring the aesthetic beauty of music, and form
a recommendation list according to the aesthetic feeling of music. Experiments
show that our objective aesthetic model and recommendation method are
effective.
- Abstract(参考訳): コンピュータ美学評価は視覚芸術作品に顕著な貢献をしているが、音楽への応用は稀である。
現在、主観的評価は芸術作品を評価する最も効果的な形態である。
しかし、芸術作品の主観評価は、多くの人的・材料的資源を消費する。
人気のAI生成コンテンツ(AIGC)タスクは今やすべての産業に波及し、音楽も例外ではない。
人間が作った音楽と比較すると、AIが生成した音楽は依然として機械的、単調に聞こえる。
評価注釈付き音楽データセットがないため、音楽の美しさを客観的に測定するために、伝統的な美的方程式を選ばなければならない。
本稿では,AI音楽生成の質の向上と,コンピュータ音楽の生成,合成,レコメンデーション,その他のタスクの指導のために,Birkhoff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。
客観的審美モデルと推奨方法が有効であることを示す実験を行った。
関連論文リスト
- 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) - 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) - 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) - VILA: Learning Image Aesthetics from User Comments with Vision-Language
Pretraining [53.470662123170555]
ユーザからのコメントから画像美学を学習し、マルチモーダルな美学表現を学習するための視覚言語事前学習手法を提案する。
具体的には、コントラスト的および生成的目的を用いて、画像テキストエンコーダ-デコーダモデルを事前訓練し、人間のラベルなしでリッチで汎用的な美的意味学を学習する。
以上の結果から,AVA-Captionsデータセットを用いた画像の美的字幕化において,事前学習した美的視覚言語モデルよりも優れていたことが示唆された。
論文 参考訳(メタデータ) (2023-03-24T23:57:28Z) - An Order-Complexity Model for Aesthetic Quality Assessment of Symbolic
Homophony Music Scores [8.751312368054016]
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。
論文 参考訳(メタデータ) (2023-01-14T12:30:16Z) - Flat latent manifolds for music improvisation between human and machine [9.571383193449648]
相互即興化が新たな体験につながるような環境では,音楽生成アルゴリズムを人間の音楽家に対抗するものとみなす。
学習モデルでは、潜在空間の定量化により新しい音楽系列を生成する。
そこで我々は,音楽実験を通じて提案手法の実証的証拠を提供し,プロのドラマーと対話的なジャムセッションのためのモデルを展開した。
論文 参考訳(メタデータ) (2022-02-23T09:00:17Z) - MusicBERT: Symbolic Music Understanding with Large-Scale Pre-Training [97.91071692716406]
シンボリック・ミュージックの理解(シンボリック・ミュージックの理解)とは、シンボリック・データから音楽を理解することを指す。
MusicBERTは、音楽理解のための大規模な事前訓練モデルである。
論文 参考訳(メタデータ) (2021-06-10T10:13:05Z) - Personalized Popular Music Generation Using Imitation and Structure [1.971709238332434]
そこで本研究では,特定の例のシード曲から構造,メロディ,和音,バススタイルを捉え,模倣できる統計的機械学習モデルを提案する。
10曲のポップソングによる評価は,我々の新しい表現と手法が高品質なスタイリスティック音楽を作り出すことができることを示している。
論文 参考訳(メタデータ) (2021-05-10T23:43:00Z) - 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。
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。