論文の概要: Style Based Clustering of Visual Artworks
- arxiv url: http://arxiv.org/abs/2409.08245v1
- Date: Thu, 12 Sep 2024 17:44:07 GMT
- ステータス: 処理完了
- システム内更新日: 2024-09-13 15:35:07.470706
- Title: Style Based Clustering of Visual Artworks
- Title（参考訳）: ビジュアルアートワークのスタイルベースのクラスタリング
- Authors: Abhishek Dangeti, Pavan Gajula, Vivek Srivastava, Vikram Jamwal,
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 2.4374097382908477
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Clustering artworks based on style has many potential real-world applications like art recommendations, style-based search and retrieval, and the study of artistic style evolution in an artwork corpus. However, clustering artworks based on style is largely an unaddressed problem. A few present methods for clustering artworks principally rely on generic image feature representations derived from deep neural networks and do not specifically deal with the artistic style. In this paper, we introduce and deliberate over the notion of style-based clustering of visual artworks. Our main objective is to explore neural feature representations and architectures that can be used for style-based clustering and observe their impact and effectiveness. We develop different methods and assess their relative efficacy for style-based clustering through qualitative and quantitative analysis by applying them to four artwork corpora and four curated synthetically styled datasets. Our analysis provides some key novel insights on architectures, feature representations, and evaluation methods suitable for style-based clustering.
- Abstract（参考訳）: スタイルに基づくクラスタリングアートは、アートレコメンデーション、スタイルベースの検索と検索、アートコーパスにおけるアートスタイルの進化の研究など、現実の多くの応用の可能性を秘めている。
しかし、スタイルに基づくクラスタリングアートは、ほとんど未解決の問題である。
アートワークをクラスタリングするためのいくつかの方法は、主にディープニューラルネットワークから派生した一般的な画像特徴表現に依存しており、特に芸術的スタイルに対処していない。
本稿では,視覚芸術作品のスタイルに基づくクラスタリングの概念について紹介し,考察する。
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可能なニューラルな特徴表現とアーキテクチャを探求し、その影響と効果を観察することです。
我々は,4つのアートコーパスと4つのキュレートされた合成スタイルデータセットに適用し,定性的および定量的分析により,異なる手法を開発し,その相対的有効性を評価する。
我々の分析は、アーキテクチャ、特徴表現、およびスタイルベースのクラスタリングに適した評価方法に関するいくつかの重要な新しい洞察を提供する。
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) - Computational Modeling of Artistic Inspiration: A Framework for Predicting Aesthetic Preferences in Lyrical Lines Using Linguistic and Stylistic Features [8.205321096201095]
芸術的なインスピレーションは、観客に深く響く作品を作る上で重要な役割を担っている。
この研究は、異なる個人における芸術的嗜好を計算的にモデル化するための新しい枠組みを提案する。
我々のフレームワークは、最先端のオープンソース言語モデルであるLLaMA-3-70bを18ポイント近く上回っている。
論文 参考訳（メタデータ） (2024-10-03T18:10:16Z) - Diversity and stylization of the contemporary user-generated visual arts in the complexity-entropy plane [3.6241617325524853]
複雑エントロピー平面(C-H)を用いて視覚芸術様式の出現とスタイル化を導く進化過程を考察する。
2010年から2020年にかけてDeviantArtとBehanceプラットフォームで撮影された149,780の画像を分析した。
その結果,視覚芸術様式のC-H情報と多面像の特徴の相違との間に有意な統計的関係が認められた。
論文 参考訳（メタデータ） (2024-08-19T18:54:01Z) - Generative AI Model for Artistic Style Transfer Using Convolutional
Neural Networks [0.0]
芸術的なスタイルの転送は、ある画像の内容を別の芸術的なスタイルに融合させ、ユニークな視覚的な構成を作り出すことである。
本稿では,畳み込みニューラルネットワーク(CNN)を用いた新しいスタイル伝達手法の概要を概説する。
論文 参考訳（メタデータ） (2023-10-27T16:21:17Z) - ALADIN-NST: Self-supervised disentangled representation learning of
artistic style through Neural Style Transfer [60.6863849241972]
我々は、画像に描かれた意味的内容から、より強く絡み合った視覚芸術スタイルの表現を学習する。
スタイルと内容の絡み合いに強く対処することで、スタイル固有のメトリクスが大きく向上することを示します。
論文 参考訳（メタデータ） (2023-04-12T10:33:18Z) - A Unified Arbitrary Style Transfer Framework via Adaptive Contrastive
Learning [84.8813842101747]
Unified Contrastive Arbitrary Style Transfer (UCAST)は、新しいスタイルの学習・伝達フレームワークである。
入力依存温度を導入することで,スタイル伝達のための適応型コントラスト学習方式を提案する。
本フレームワークは,スタイル表現とスタイル伝達のための並列コントラスト学習方式,スタイル分布を効果的に学習するためのドメイン拡張モジュール,スタイル伝達のための生成ネットワークという,3つの重要なコンポーネントから構成される。
論文 参考訳（メタデータ） (2023-03-09T04:35:00Z) - Arbitrary Style Transfer with Structure Enhancement by Combining the
Global and Local Loss [51.309905690367835]
本稿では,グローバルな損失と局所的な損失を組み合わせ,構造拡張を伴う任意のスタイル転送手法を提案する。
実験結果から,視覚効果の優れた高画質画像が生成できることが示唆された。
論文 参考訳（メタデータ） (2022-07-23T07:02:57Z) - Adversarial Style Augmentation for Domain Generalized Urban-Scene
Segmentation [120.96012935286913]
そこで本研究では,学習中にハードなスタイリング画像を生成可能な,新たな対向型拡張手法を提案する。
2つの合成から実のセマンティックセグメンテーションベンチマークの実験により、AdvStyleは目に見えない実領域におけるモデル性能を大幅に改善できることを示した。
論文 参考訳（メタデータ） (2022-07-11T14:01:25Z) - Domain Enhanced Arbitrary Image Style Transfer via Contrastive Learning [84.8813842101747]
Contrastive Arbitrary Style Transfer (CAST) は、新しいスタイル表現学習法である。
本フレームワークは,スタイルコード符号化のための多層スタイルプロジェクタ,スタイル分布を効果的に学習するためのドメイン拡張モジュール,画像スタイル転送のための生成ネットワークという,3つのキーコンポーネントから構成される。
論文 参考訳（メタデータ） (2022-05-19T13:11:24Z) - Learning Portrait Style Representations [34.59633886057044]
高レベル特性を取り入れたニューラルネットワークアーキテクチャによって学習されたスタイル表現について検討する。
美術史家によって注釈付けされた三重奏曲をスタイル類似性の監督として取り入れることで,学習スタイルの特徴の変化を見いだす。
また,計算解析用に用意された肖像画の大規模データセットを初めて提示する。
論文 参考訳（メタデータ） (2020-12-08T01:36:45Z) - 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)
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。