論文の概要: Crafting Generative Art through Genetic Improvement: Managing Creative Outputs in Diverse Fitness Landscapes
- arxiv url: http://arxiv.org/abs/2407.20095v1
- Date: Mon, 29 Jul 2024 15:24:29 GMT
- ステータス: 処理完了
- システム内更新日: 2024-07-30 13:15:14.440149
- Title: Crafting Generative Art through Genetic Improvement: Managing Creative Outputs in Diverse Fitness Landscapes
- Title（参考訳）: 遺伝的改良によるジェネレーティブアートの製作--多国籍景観における創造的アウトプットの管理
- Authors: Erik M. Fredericks, Denton Bobeldyk, Jared M. Moore,
- Abstract要約: 遺伝子改良によって生成的アート描画プログラムが作成・最適化されるかを検討する。
遺伝子組み換え技術に遺伝子改良を適用することの1つの課題は、フィットネス機能を定義することである。
フィットネス機能はほとんどなく、個体群全体に個別の生成技術が浸透していることが示される。
- 参考スコア（独自算出の注目度）: 1.570307329371895
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Generative art is a rules-driven approach to creating artistic outputs in various mediums. For example, a fluid simulation can govern the flow of colored pixels across a digital display or a rectangle placement algorithm can yield a Mondrian-style painting. Previously, we investigated how genetic improvement, a sub-field of genetic programming, can automatically create and optimize generative art drawing programs. One challenge of applying genetic improvement to generative art is defining fitness functions and their interaction in a many-objective evolutionary algorithm such as Lexicase selection. Here, we assess the impact of each fitness function in terms of the their individual effects on generated images, characteristics of generated programs, and impact of bloat on this specific domain. Furthermore, we have added an additional fitness function that uses a classifier for mimicking a human's assessment as to whether an output is considered as "art." This classifier is trained on a dataset of input images resembling the glitch art aesthetic that we aim to create. Our experimental results show that with few fitness functions, individual generative techniques sweep across populations. Moreover, we found that compositions tended to be driven by one technique with our current fitness functions. Lastly, we show that our classifier is best suited for filtering out noisy images, ideally leading towards more outputs relevant to user preference.
- Abstract（参考訳）: 生成芸術は、様々な媒体で芸術的なアウトプットを作成するためのルール駆動のアプローチである。
例えば、流体シミュレーションはデジタルディスプレイにまたがる色のピクセルの流れを制御したり、長方形の配置アルゴリズムでモンドリアン風の絵を描くことができる。
これまで,遺伝子プログラミングのサブフィールドである遺伝的改善が,生成的アート描画プログラムを自動生成し,最適化する方法について検討した。
遺伝子組み換え技術に遺伝子改良を適用することの1つの課題は、レキシケース選択のような多目的進化アルゴリズムにおいて、適合関数とその相互作用を定義することである。
ここでは、各フィットネス関数が生成した画像に与える影響、生成プログラムの特徴、および特定の領域における肥大の影響について評価する。
さらに,人間の評価を模倣する分類器を用いて,出力が「アート」であるかどうかを判断するフィットネス機能も追加した。
この分類器は、私たちが創り出すグリッチアートの美学に似た入力画像のデータセットに基づいて訓練される。
実験結果から, フィットネス機能はほとんどなく, 個体群全体に個別の生成技術が浸透していることが示唆された。
さらに, コンポジションは, 現在のフィットネス機能を備えた1つの手法によって駆動される傾向にあった。
最後に,我々の分類器はノイズの多い画像のフィルタリングに最適であることを示す。
関連論文リスト
- Colour and Brush Stroke Pattern Recognition in Abstract Art using Modified Deep Convolutional Generative Adversarial Networks [0.0]
本稿では,GAN(Generative Adrial Neural Networks)を用いた抽象絵画の広範な分布について述べる。
課題は、一般的なトレーニングの落とし穴を克服する効率的なGANアーキテクチャを開発することだ。
本稿では,高品質なアートワーク生成のための改良型DCGAN (mDCGAN) を提案する。
論文 参考訳（メタデータ） (2024-03-27T09:35:56Z) - Make-A-Shape: a Ten-Million-scale 3D Shape Model [52.701745578415796]
本稿では,大規模な効率的なトレーニングを目的とした新しい3次元生成モデルであるMake-A-Shapeを紹介する。
まずウェーブレットツリー表現を革新し、サブバンド係数フィルタリングスキームを定式化して形状をコンパクトに符号化する。
我々は、粗いウェーブレット係数の生成を効果的に学習するために、我々のモデルを訓練するためのサブバンド適応型トレーニング戦略を導出する。
論文 参考訳（メタデータ） (2024-01-20T00:21:58Z) - ARTxAI: Explainable Artificial Intelligence Curates Deep Representation
Learning for Artistic Images using Fuzzy Techniques [11.286457041998569]
芸術的画像分類における異なる課題から得られる特徴が、類似した性質の他の課題を解決するのにどのように適しているかを示す。
本稿では、画像の既知の視覚特性をディープラーニングモデルで用いる特徴にマッピングする、説明可能な人工知能手法を提案する。
論文 参考訳（メタデータ） (2023-08-29T13:15:13Z) - Localizing Object-level Shape Variations with Text-to-Image Diffusion
Models [60.422435066544814]
本稿では,特定の物体の形状の変化を表現した画像の集合を生成する手法を提案する。
オブジェクトのバリエーションを生成する際の特に課題は、オブジェクトの形状に適用される操作を正確にローカライズすることである。
画像空間の操作をローカライズするために,自己注意層と交差注意層を併用する2つの手法を提案する。
論文 参考訳（メタデータ） (2023-03-20T17:45:08Z) - Attribute Controllable Beautiful Caucasian Face Generation by Aesthetics
Driven Reinforcement Learning [21.329906392100884]
我々はEigenGANのジェネレータに強化学習の技法を構築した。
エージェントは、生成した人間の顔のセマンティックな属性を、より好ましいものへ変更する方法を解明しようとする。
近年の強化学習コミュニティに出現する材料を取り入れた新しいバリエーションを提案する。
論文 参考訳（メタデータ） (2022-08-09T03:04:10Z) - Cluster-guided Image Synthesis with Unconditional Models [41.89334167530054]
本研究は、教師なし方式でよく訓練されたGANを活用することにより、制御可能な画像生成に焦点を当てる。
クラスタ割り当てを条件付けすることで、提案手法は生成された画像の意味クラスを制御することができる。
顔(CelebA-HQとFFHQ)、動物(Imagenet)、オブジェクト(LSUN)に対するアプローチの有効性を,異なる事前学習生成モデルを用いて示す。
論文 参考訳（メタデータ） (2021-12-24T02:18:34Z) - Ensembling with Deep Generative Views [72.70801582346344]
生成モデルは、色やポーズの変化などの現実世界の変動を模倣する人工画像の「ビュー」を合成することができる。
そこで本研究では, 画像分類などの下流解析作業において, 実画像に適用できるかどうかを検討する。
StyleGAN2を再生増強の源として使用し、顔の属性、猫の顔、車を含む分類タスクについてこの設定を調査します。
論文 参考訳（メタデータ） (2021-04-29T17:58:35Z) - Deep Learning of Individual Aesthetics [5.837881923712394]
複雑度などの画像計測と人体美的評価の関係について検討する。
我々は、ジェノタイプ空間と表現型空間の両方を可視化するために次元還元法を用いて、生成系における新しい領域の探索を支援する。
我々はこの分類と発見システムを、複雑な生成技術と設計を進化させるソフトウェアツールに統合する。
論文 参考訳（メタデータ） (2020-09-24T03:04:28Z) - Learning to Caricature via Semantic Shape Transform [95.25116681761142]
本稿では,意味的形状変換に基づくアルゴリズムを提案する。
提案手法は,顔の構造を維持しつつ,視覚的に心地よい形状の誇張を表現できることを示す。
論文 参考訳（メタデータ） (2020-08-12T03:41:49Z) - Saliency-driven Class Impressions for Feature Visualization of Deep
Neural Networks [55.11806035788036]
分類に欠かせないと思われる特徴を視覚化することは有利である。
既存の可視化手法は,背景特徴と前景特徴の両方からなる高信頼画像を生成する。
本研究では,あるタスクにおいて最も重要であると考えられる識別的特徴を可視化するための,サリエンシ駆動型アプローチを提案する。
論文 参考訳（メタデータ） (2020-07-31T06:11:06Z) - Generating Person Images with Appearance-aware Pose Stylizer [66.44220388377596]
本稿では,人物のポーズや外見に基づいてリアルな人物画像を生成する,新しいエンドツーエンドフレームワークを提案する。
本フレームワークのコアとなるのは、ターゲットポーズと条件付き人物の外観を段階的に結合して人体画像を生成する、APS(Appearance-aware Pose Stylizer)と呼ばれる新しいジェネレータである。
論文 参考訳（メタデータ） (2020-07-17T15:58:05Z)
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。