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

• IntroStyle: Training-Free Introspective Style Attribution using Diffusion Features [89.95303251220734]
  本稿では,拡散モデルのみによって生成された特徴を用いて,スタイル帰属問題を解決するための学習自由フレームワークを提案する。 これはイントロスペクティブなスタイル属性(IntroStyle)と表現され、スタイル検索の最先端モデルよりも優れたパフォーマンスを示す。 また,芸術的スタイルを分離し,きめ細かなスタイル帰属性能を評価するために,スタイルハック(SHacks)の合成データセットも導入した。
  論文  参考訳（メタデータ） (2024-12-19T01:21:23Z)
• Learning Artistic Signatures: Symmetry Discovery and Style Transfer [8.288443063900825]
  芸術様式の明確な定義はない。 スタイルは、局所的なテクスチャの配置を規定するグローバルな対称性のセットと考えるべきである。 局所的特徴とグローバル的特徴の両方を考慮し、リージェネレータと従来のテクスチャ尺度の両方を用いて、どちらの特徴セットよりもアーティスト間のスタイル的類似性を定量的に捉えることができることを示す。
  論文  参考訳（メタデータ） (2024-12-05T18:56:23Z)
• Art-Free Generative Models: Art Creation Without Graphic Art Knowledge [50.60063523054282]
  美術関連コンテンツへのアクセスなしに訓練されたテキスト・画像生成モデルを提案する。 そこで我々は,選択した芸術スタイルのごく一部の例を用いて,シンプルな,かつ効果的なアートアダプタの学習方法を提案する。
  論文  参考訳（メタデータ） (2024-11-29T18:59:01Z)
• 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)
• 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)
• 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。