論文の概要: APDDv2: Aesthetics of Paintings and Drawings Dataset with Artist Labeled Scores and Comments

• arxiv url: http://arxiv.org/abs/2411.08545v1
• Date: Wed, 13 Nov 2024 11:46:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-14 16:11:09.717684
• Title: APDDv2: Aesthetics of Paintings and Drawings Dataset with Artist Labeled Scores and Comments
• Title（参考訳）: APDDv2: Aesthetics of Paintings and Drawings Dataset with Artist Labeled Scores and Comments (英語)
• Authors: Xin Jin, Qianqian Qiao, Yi Lu, Huaye Wang, Heng Huang, Shan Gao, Jianfei Liu, Rui Li,
• Abstract要約: Aesthetics Paintings and Drawings dataset (APDD)は,24の異なる芸術カテゴリーと10の美的属性を含む最初の総合的な絵画コレクションである。 APDDv2は画像コーパスを拡張し、アノテーションの品質を改善し、詳細な言語コメントを特徴としている。 本稿では,ArtCLIP(Art Assessment Network for Specific Painting Styles)の改訂版について紹介する。
• 参考スコア（独自算出の注目度）: 45.57709215036539
• License:
• Abstract: Datasets play a pivotal role in training visual models, facilitating the development of abstract understandings of visual features through diverse image samples and multidimensional attributes. However, in the realm of aesthetic evaluation of artistic images, datasets remain relatively scarce. Existing painting datasets are often characterized by limited scoring dimensions and insufficient annotations, thereby constraining the advancement and application of automatic aesthetic evaluation methods in the domain of painting. To bridge this gap, we introduce the Aesthetics Paintings and Drawings Dataset (APDD), the first comprehensive collection of paintings encompassing 24 distinct artistic categories and 10 aesthetic attributes. Building upon the initial release of APDDv1, our ongoing research has identified opportunities for enhancement in data scale and annotation precision. Consequently, APDDv2 boasts an expanded image corpus and improved annotation quality, featuring detailed language comments to better cater to the needs of both researchers and practitioners seeking high-quality painting datasets. Furthermore, we present an updated version of the Art Assessment Network for Specific Painting Styles, denoted as ArtCLIP. Experimental validation demonstrates the superior performance of this revised model in the realm of aesthetic evaluation, surpassing its predecessor in accuracy and efficacy. The dataset and model are available at https://github.com/BestiVictory/APDDv2.git.
• Abstract（参考訳）: データセットは視覚モデルの訓練において重要な役割を担い、多様な画像サンプルと多次元属性を通して視覚的特徴の抽象的な理解を深める。 しかし、芸術的イメージの美的評価の領域では、データセットは比較的少ないままである。 既存の絵画データセットは、限られた評価次元と不十分なアノテーションによって特徴付けられることが多く、したがって、絵画領域における自動美的評価手法の進歩と適用を制限している。 このギャップを埋めるために,Aesthetics Paintings and Drawings Dataset (APDD)を導入した。 APDDv1の最初のリリースに基づいて、現在進行中の研究は、データスケールとアノテーションの精度を向上する機会を特定しました。 その結果、APDDv2は画像コーパスが拡張され、アノテーションの品質が向上した。 さらに,ArtCLIPと表記される特定絵画スタイルのためのArt Assessment Networkの更新版を提示する。 審美的評価の領域において, 本改訂モデルの優れた性能を実証し, 精度と有効性において先行モデルを上回った。 データセットとモデルはhttps://github.com/BestiVictory/APDDv2.gitで公開されている。

関連論文リスト

• Paintings and Drawings Aesthetics Assessment with Rich Attributes for Various Artistic Categories [47.705077586687196]
  Aesthetics of Paintings and Drawingsデータセットは、合計4985枚の画像で構成され、注釈数は31100枚を超える。 APDDの建設は世界中の28人のプロアーティストから活発に参加し、芸術分野を専門とする数十人の学生が参加した。 最終的なAPDDデータセットは、合計4985のイメージで構成され、アノテーション数は31100を超える。
  論文  参考訳（メタデータ） (2024-05-05T16:05:56Z)
• AACP: Aesthetics assessment of children's paintings based on self-supervised learning [17.672268781368672]
  小児絵画の美学評価(AACP)は画像美学評価(IAA)の重要な分野である これまでのアプローチでは、大規模なデータセットのトレーニングと、画像に対する美学スコアの提供に頼っていた。 子どもの絵の美学評価データセットを構築し,自己指導型学習モデルを構築した。
  論文  参考訳（メタデータ） (2024-03-12T12:07:00Z)
• Image Aesthetics Assessment via Learnable Queries [59.313054821874864]
  本稿では,IAA-LQを用いた画像美学評価手法を提案する。 フリーズされた画像エンコーダから得られた事前訓練された画像特徴から、学習可能なクエリを適応して美的特徴を抽出する。 実世界のデータに関する実験では、IAA-LQの利点が示され、SRCCとPLCCでそれぞれ2.2%、そして2.1%が最先端の手法に勝っている。
  論文  参考訳（メタデータ） (2023-09-06T09:42:16Z)
• Learning to Evaluate the Artness of AI-generated Images [64.48229009396186]
  アートスコア(ArtScore)は、アーティストによる本物のアートワークと画像がどの程度似ているかを評価するために設計されたメトリクスである。 我々は、写真とアートワークの生成のために事前訓練されたモデルを採用し、一連の混合モデルを生み出した。 このデータセットはニューラルネットワークのトレーニングに使用され、任意の画像の定量化精度レベルを推定する方法を学ぶ。
  論文  参考訳（メタデータ） (2023-05-08T17:58:27Z)
• Towards Artistic Image Aesthetics Assessment: a Large-scale Dataset and a New Method [64.40494830113286]
  まず、Boldbrush Artistic Image dataset (BAID)という大規模なAIAAデータセットを紹介します。 そこで我々は,芸術的イメージを評価するために,スタイル特異的で汎用的な美的情報を効果的に抽出し,活用する新たな手法であるSAANを提案する。 実験により,提案手法は提案したBAIDデータセット上で既存のIAA手法よりも優れていることが示された。
  論文  参考訳（メタデータ） (2023-03-27T12:59:15Z)
• Aesthetic Attributes Assessment of Images with AMANv2 and DPC-CaptionsV2 [65.5524793975387]
  DPC-CaptionsV2という新しいデータセットを半自動で構築する。 DPC-CaptionsV2の画像には、合成、照明、色、主題の4つの美的属性を含む。 本手法は,従来のAMANモデルよりも美的トピックに近い4つの美的属性に対するコメントを予測できる。
  論文  参考訳（メタデータ） (2022-08-09T03:20:59Z)

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。