論文の概要: FedStyle: Style-Based Federated Learning Crowdsourcing Framework for Art Commissions

• arxiv url: http://arxiv.org/abs/2404.16336v1
• Date: Thu, 25 Apr 2024 04:53:43 GMT
• ステータス: 処理完了
• システム内更新日: 2024-04-26 14:48:28.147909
• Title: FedStyle: Style-Based Federated Learning Crowdsourcing Framework for Art Commissions
• Title（参考訳）: FedStyle: アートコミッショナーのためのスタイルベースのフェデレーションラーニングクラウドソーシングフレームワーク
• Authors: Changjuan Ran, Yeting Guo, Fang Liu, Shenglan Cui, Yunfan Ye,
• Abstract要約: FedStyleはスタイルベースのフェデレーション学習クラウドソーシングフレームワークである。 アーティストは、コラボレーションのためのアートワークではなく、ローカルスタイルのモデルをトレーニングし、モデルパラメータを共有することができる。 アーティストに抽象的なスタイルの表現を学習させ、サーバと整合させることで、極端なデータ不均一性に対処する。
• 参考スコア（独自算出の注目度）: 3.1676484382068315
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The unique artistic style is crucial to artists' occupational competitiveness, yet prevailing Art Commission Platforms rarely support style-based retrieval. Meanwhile, the fast-growing generative AI techniques aggravate artists' concerns about releasing personal artworks to public platforms. To achieve artistic style-based retrieval without exposing personal artworks, we propose FedStyle, a style-based federated learning crowdsourcing framework. It allows artists to train local style models and share model parameters rather than artworks for collaboration. However, most artists possess a unique artistic style, resulting in severe model drift among them. FedStyle addresses such extreme data heterogeneity by having artists learn their abstract style representations and align with the server, rather than merely aggregating model parameters lacking semantics. Besides, we introduce contrastive learning to meticulously construct the style representation space, pulling artworks with similar styles closer and keeping different ones apart in the embedding space. Extensive experiments on the proposed datasets demonstrate the superiority of FedStyle.
• Abstract（参考訳）: ユニークな芸術様式は芸術家の職業的競争力にとって不可欠であるが、アート・コミッショナー・プラットフォーム(Art Commission Platforms)はスタイルベースの検索をほとんどサポートしていない。 一方、急速に成長する生成AI技術は、個人作品の公開プラットフォームへのリリースに対するアーティストの懸念を増している。 個人アートを露出させることなく,芸術的スタイルに基づく検索を実現するために,スタイルベースのフェデレート学習クラウドソーシングフレームワークであるFedStyleを提案する。 アーティストは、コラボレーションのためのアートワークではなく、ローカルスタイルのモデルをトレーニングし、モデルパラメータを共有することができる。 しかし、ほとんどの芸術家は独自の芸術様式を持っており、その間に厳格なモデルドリフトをもたらした。 FedStyleは、単にセマンティクスを欠いたモデルパラメータを集約するのではなく、アーティストに抽象的なスタイル表現を学び、サーバと整合させることによって、このような極端なデータ不均一性に対処する。 さらに,スタイル表現空間を細心の注意で構築し,類似したスタイルのアートワークを近づき,異なるアートワークを埋め込み空間に分割するコントラスト学習を導入する。 提案したデータセットに対する大規模な実験は、FedStyleの優位性を示している。

関連論文リスト

• Style Based Clustering of Visual Artworks [2.4374097382908477]
  視覚芸術のスタイルに基づくクラスタリングの概念を導入し、慎重に検討する。 私たちの主な目的は、スタイルベースのクラスタリングに使用できるニューラルな特徴表現とアーキテクチャを探ることです。
  論文  参考訳（メタデータ） (2024-09-12T17:44:07Z)
• MuseumMaker: Continual Style Customization without Catastrophic Forgetting [50.12727620780213]
  本研究では,一組のカスタマイズスタイルを終末的に追従することで,画像の合成を可能にする方法であるMuseumMakerを提案する。 新しいカスタマイズスタイルに直面すると、新しい画像生成のためのトレーニングデータのスタイルを抽出し学習するスタイル蒸留損失モジュールを開発する。 これは、新しい訓練画像の内容による学習バイアスを最小限に抑え、少数ショット画像によって引き起こされる破滅的な過適合問題に対処することができる。
  論文  参考訳（メタデータ） (2024-04-25T13:51:38Z)
• 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)
• 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)
• ArtFusion: Controllable Arbitrary Style Transfer using Dual Conditional Latent Diffusion Models [0.0]
  Arbitrary Style Transfer (AST)は、任意のアートワークからスタイルを採用することで、イメージを変換することを目的としている。 我々は、コンテンツとスタイルの柔軟なバランスを提供する新しいアプローチ、ArtFusionを提案する。
  論文  参考訳（メタデータ） (2023-06-15T17:58:36Z)
• QuantArt: Quantizing Image Style Transfer Towards High Visual Fidelity [94.5479418998225]
  視覚的忠実度の高いスタイリングのためのQuantArtと呼ばれる新しいスタイル転送フレームワークを提案する。 本フレームワークは,既存のスタイル転送方式と比較して,視覚的忠実度を著しく向上させる。
  論文  参考訳（メタデータ） (2022-12-20T17:09:53Z)
• Inversion-Based Style Transfer with Diffusion Models [78.93863016223858]
  以前の任意の例として誘導された芸術的画像生成法は、しばしば形状変化の制御や要素の伝達に失敗する。 画像のキー情報を効率よく正確に学習できるインバージョンベースのスタイル転送手法(InST)を提案する。
  論文  参考訳（メタデータ） (2022-11-23T18:44:25Z)
• 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)
• 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)
• Demographic Influences on Contemporary Art with Unsupervised Style Embeddings [25.107166631583212]
  contempArtは絵画と図面のコレクションであり、Instagram上のソーシャル接続と追加の社会デマグラフィー情報に基づく詳細なグラフネットワークである。 画像の教師なしスタイルの埋め込みを生成するのに適した3つの手法を評価し,残りのデータと相関する。
  論文  参考訳（メタデータ） (2020-09-30T10:13:18Z)

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。