論文の概要: At the edge of a generative cultural precipice

• arxiv url: http://arxiv.org/abs/2406.08739v1
• Date: Tue, 30 Apr 2024 23:26:24 GMT
• ステータス: 処理完了
• システム内更新日: 2024-07-01 07:50:27.609374
• Title: At the edge of a generative cultural precipice
• Title（参考訳）: 生成的文化的危機の端に
• Authors: Diego Porres, Alex Gomez-Villa,
• Abstract要約: NFTと大規模な生成モデルが公開されて以来、アーティストは彼らの仕事が脅かされ、盗まれたのを見た。 生成モデルは、人為的なコンテンツを使用してトレーニングされ、それらが生成できるスタイルとテーマをより良くガイドします。 生成モデルに関する最近の研究に触発されて、私たちは注意深い物語を語り、生成モデルが生成コンテンツのみに基づいてトレーニングされる道のりをたどるかどうかを視覚芸術に何が起こるか尋ねたい。
• 参考スコア（独自算出の注目度）: 1.688134675717698
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Since NFTs and large generative models (such as DALLE2 and Stable Diffusion) have been publicly available, artists have seen their jobs threatened and stolen. While artists depend on sharing their art on online platforms such as Deviantart, Pixiv, and Artstation, many slowed down sharing their work or downright removed their past work therein, especially if these platforms fail to provide certain guarantees regarding the copyright of their uploaded work. Text-to-image (T2I) generative models are trained using human-produced content to better guide the style and themes they can produce. Still, if the trend continues where data found online is generated by a machine instead of a human, this will have vast repercussions in culture. Inspired by recent work in generative models, we wish to tell a cautionary tale and ask what will happen to the visual arts if generative models continue on the path to be (eventually) trained solely on generated content.
• Abstract（参考訳）: NFTやDALLE2やStable Diffusionのような大規模な生成モデルが公開されているため、アーティストは彼らの仕事が脅かされ、盗まれているのを見てきた。 アーティストはDeviantart、Pixiv、Artstationなどのオンラインプラットフォームでアートを共有することに頼っているが、多くのアーティストは自分の作品の共有を遅らせたり、過去の作品をそのまま削除した。 テキスト・ツー・イメージ(T2I)生成モデルは、人為的なコンテンツを用いてトレーニングされ、それらが生成できるスタイルとテーマをより良くガイドする。 それでも、オンラインで見つかったデータが人間ではなく機械によって生成される傾向が続くとすれば、文化に大きな影響を与えることになる。 生成モデルに関する最近の研究に触発されて、私たちは注意深い物語を語り、生成モデルが生成したコンテンツのみにのみ訓練されたパスを継続するかどうかを視覚芸術に何が起こるのかを尋ねたいと考えています。

関連論文リスト

• Evaluating and Mitigating IP Infringement in Visual Generative AI [54.24196167576133]
  最先端のビジュアル生成モデルは、知的財産権によって保護されたキャラクターと著しく類似したコンテンツを生成することができる。 これは、入力プロンプトが文字の名前を含む場合や、その特性に関する記述的な詳細を含む場合に発生する。 我々は、潜在的に侵害される可能性のあるコンテンツを特定し、IP侵害を防止するための修正された生成パラダイムを開発する。
  論文  参考訳（メタデータ） (2024-06-07T06:14:18Z)
• 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)
• Copyright Protection in Generative AI: A Technical Perspective [58.84343394349887]
  ジェネレーティブAIは近年急速に進歩し、テキスト、画像、オーディオ、コードなどの合成コンテンツを作成する能力を拡大している。 これらのディープ・ジェネレーティブ・モデル(DGM)が生成したコンテンツの忠実さと信頼性が、著作権の重大な懸念を引き起こしている。 この研究は、技術的観点から著作権保護の包括的概要を提供することで、この問題を深く掘り下げている。
  論文  参考訳（メタデータ） (2024-02-04T04:00:33Z)
• Foregrounding Artist Opinions: A Survey Study on Transparency, Ownership, and Fairness in AI Generative Art [0.0]
  生成AIツールは、アートのようなアウトプットを作成し、時には創造的なプロセスを支援するために使用される。 我々は459人のアーティストを調査し、ジェネレーティブAIアートの潜在的有用性と害に関するアーティストの意見の緊張関係を調査した。
  論文  参考訳（メタデータ） (2024-01-27T20:22:46Z)
• A Dataset and Benchmark for Copyright Infringement Unlearning from Text-to-Image Diffusion Models [52.49582606341111]
  著作権法は、クリエイティブ作品を再生、配布、収益化する排他的権利をクリエイターに与えている。 テキスト・ツー・イメージ・ジェネレーションの最近の進歩は、著作権の執行に重大な課題をもたらしている。 CLIP、ChatGPT、拡散モデルを調和させてデータセットをキュレートする新しいパイプラインを導入する。
  論文  参考訳（メタデータ） (2024-01-04T11:14:01Z)
• State of the Art on Diffusion Models for Visual Computing [191.6168813012954]
  本稿では,拡散モデルの基本数学的概念,実装の詳細,および一般的な安定拡散モデルの設計選択を紹介する。 また,拡散に基づく生成と編集に関する文献の急速な発展を概観する。 利用可能なデータセット、メトリクス、オープンな課題、社会的意味について議論する。
  論文  参考訳（メタデータ） (2023-10-11T05:32:29Z)
• On Copyright Risks of Text-to-Image Diffusion Models [31.982360758956034]
  拡散モデルは、テキストプロンプト(T2I)生成と呼ばれるタスクである、テキストプロンプトからのイメージの作成において優れている。 近年,直接的かつ著作権のあるプロンプトを用いた拡散モデルの著作権行動に関する研究が行われている。 私たちの研究は、間接的なプロンプトでさえ著作権問題を引き起こすような、より微妙な形態の侵害を調べることで、これを拡張しています。
  論文  参考訳（メタデータ） (2023-09-15T01:34:02Z)
• Measuring the Success of Diffusion Models at Imitating Human Artists [7.007492782620398]
  モデルが特定のアーティストを模倣する能力を測定する方法を示す。 コントラスト言語-画像事前訓練(CLIP)エンコーダを用いてゼロショット方式で画像の分類を行う。 また,アーティストの作品のサンプルを,これらの模倣画像と高い統計的信頼性で一致させることができることを示す。
  論文  参考訳（メタデータ） (2023-07-08T18:31:25Z)
• Language Does More Than Describe: On The Lack Of Figurative Speech in Text-To-Image Models [63.545146807810305]
  テキスト・ツー・イメージ拡散モデルでは、テキスト入力プロンプトから高品質な画像を生成することができる。 これらのモデルは、コンテンツベースのラベル付けプロトコルから収集されたテキストデータを用いて訓練されている。 本研究では,現在使用されているテキスト・画像拡散モデルのトレーニングに使用されている公開テキストデータの感情性,目的性,抽象化の程度を特徴付ける。
  論文  参考訳（メタデータ） (2022-10-19T14:20:05Z)
• Can There be Art Without an Artist? [1.2691047660244335]
  ジェネレーティブAIベースのアートは、この1年で急増している。 本稿では,ジェネレーティブ・モデルが芸術にどのような影響を及ぼしたかを考察する。 レスポンシブルにデプロイすれば、AI生成モデルは、アートにおいてポジティブで新しいモダリティになる可能性があると仮定する。
  論文  参考訳（メタデータ） (2022-09-16T01:23:19Z)
• Copyright in Generative Deep Learning [3.689181056530984]
  芸術における生成的深層学習の分野における重要な疑問の集合を考える。 我々は、米国とEUの両方で施行されている法律を考慮して、これらの質問に答えようとしている。
  論文  参考訳（メタデータ） (2021-05-19T17:22:47Z)

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。