論文の概要: ArtBrain: An Explainable end-to-end Toolkit for Classification and Attribution of AI-Generated Art and Style

• arxiv url: http://arxiv.org/abs/2412.01512v1
• Date: Mon, 02 Dec 2024 14:03:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-04 15:49:52.402052
• Title: ArtBrain: An Explainable end-to-end Toolkit for Classification and Attribution of AI-Generated Art and Style
• Title（参考訳）: ArtBrain: AI生成アートとスタイルの分類と属性のための説明可能なエンドツーエンドツールキット
• Authors: Ravidu Suien Rammuni Silva, Ahmad Lotfi, Isibor Kennedy Ihianle, Golnaz Shahtahmassebi, Jordan J. Bird,
• Abstract要約: 本稿では,10種類のアートスタイルにまたがる185,015のアートイメージを収録したデータセットであるAI-ArtBenchを紹介する。 125,015点のAI生成画像と6万点の人造アートワークが含まれている。 生成モデルの属性の精度は0.999に達する。
• 参考スコア（独自算出の注目度）: 2.7321177315998915
• License:
• Abstract: Recently, the quality of artworks generated using Artificial Intelligence (AI) has increased significantly, resulting in growing difficulties in detecting synthetic artworks. However, limited studies have been conducted on identifying the authenticity of synthetic artworks and their source. This paper introduces AI-ArtBench, a dataset featuring 185,015 artistic images across 10 art styles. It includes 125,015 AI-generated images and 60,000 pieces of human-created artwork. This paper also outlines a method to accurately detect AI-generated images and trace them to their source model. This work proposes a novel Convolutional Neural Network model based on the ConvNeXt model called AttentionConvNeXt. AttentionConvNeXt was implemented and trained to differentiate between the source of the artwork and its style with an F1-Score of 0.869. The accuracy of attribution to the generative model reaches 0.999. To combine the scientific contributions arising from this study, a web-based application named ArtBrain was developed to enable both technical and non-technical users to interact with the model. Finally, this study presents the results of an Artistic Turing Test conducted with 50 participants. The findings reveal that humans could identify AI-generated images with an accuracy of approximately 58%, while the model itself achieved a significantly higher accuracy of around 99%.
• Abstract（参考訳）: 近年,人工知能(AI)を用いたアートワークの品質が著しく向上し,合成アートワークの検出が困難になっている。 しかし, 合成美術品とその資料の真正性について, 限られた研究がなされている。 本稿では,10種類のアートスタイルにまたがる185,015のアートイメージを収録したデータセットであるAI-ArtBenchを紹介する。 125,015点のAI生成画像と6万点の人造アートワークが含まれている。 また,AI生成した画像を正確に検出し,ソースモデルに追従する手法についても概説する。 本研究では,ConvNeXtモデルに基づく新しい畳み込みニューラルネットワークモデルAttentionConvNeXtを提案する。 AttentionConvNeXtは、アートワークのソースとスタイルを0.869のF1スコアで区別するために実装され、訓練された。 生成モデルの属性の精度は0.999に達する。 本研究から得られた科学的コントリビューションを組み合わせるため,ArtBrainというWebベースのアプリケーションを開発した。 最後に,50名の参加者によるアートチューリングテストの結果を報告する。 その結果、人間がAI生成画像を約58%の精度で識別できることが判明し、モデル自体が約99%の精度で達成された。

関連論文リスト

• Art Forgery Detection using Kolmogorov Arnold and Convolutional Neural Networks [0.0]
  AIの改善を活用して、アート認証フレームワークを提示します。 我々は、伝統的なAI手法のアプローチを反転させながら、アーティストではなく、フォーガーの専門モデルに焦点を当てます。 我々はその結果をKAN(Kolmogorov Arnold Networks)と比較した。
  論文  参考訳（メタデータ） (2024-10-07T09:32:11Z)
• Understanding and Evaluating Human Preferences for AI Generated Images with Instruction Tuning [58.41087653543607]
  我々はまず,AIGCIQA2023+と呼ばれるAIGIのための画像品質評価(IQA)データベースを構築した。 本稿では,AIGIに対する人間の嗜好を評価するためのMINT-IQAモデルを提案する。
  論文  参考訳（メタデータ） (2024-05-12T17:45:11Z)
• The Adversarial AI-Art: Understanding, Generation, Detection, and Benchmarking [47.08666835021915]
  本稿では,AI生成画像(AI-art)を敵のシナリオで理解し,検出するための体系的な試みを提案する。 ARIAという名前のデータセットには、アートワーク(絵画)、ソーシャルメディアイメージ、ニュース写真、災害シーン、アニメ画像の5つのカテゴリに140万以上の画像が含まれている。
  論文  参考訳（メタデータ） (2024-04-22T21:00:13Z)
• AIGCOIQA2024: Perceptual Quality Assessment of AI Generated Omnidirectional Images [70.42666704072964]
  我々はAI生成の全方位画像IQAデータベースAIIGCOIQA2024を構築した。 3つの視点から人間の視覚的嗜好を評価するために、主観的IQA実験を行った。 我々は,データベース上での最先端IQAモデルの性能を評価するためのベンチマーク実験を行った。
  論文  参考訳（メタデータ） (2024-04-01T10:08:23Z)
• Organic or Diffused: Can We Distinguish Human Art from AI-generated Images? [24.417027069545117]
  AIが生成した画像を人間のアートから取り除くことは、難しい問題だ。 この問題に対処できないため、悪いアクターは、AIイメージを禁止したポリシーを掲げる人間芸術や企業に対してプレミアムを支払う個人を欺くことができる。 7つのスタイルにまたがって実際の人間のアートをキュレートし、5つの生成モデルからマッチング画像を生成し、8つの検出器を適用します。
  論文  参考訳（メタデータ） (2024-02-05T17:25:04Z)
• AI Art Neural Constellation: Revealing the Collective and Contrastive State of AI-Generated and Human Art [36.21731898719347]
  我々は、人間の芸術遺産の文脈内でAI生成芸術を位置づけるための包括的な分析を行う。 私たちの比較分析は、ArtConstellationと呼ばれる広範なデータセットに基づいています。 鍵となる発見は、1800-2000年に作られた現代美術の原理とAIが生成したアートアートが視覚的に関連していることである。
  論文  参考訳（メタデータ） (2024-02-04T11:49:51Z)
• 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)
• Is synthetic data from generative models ready for image recognition? [69.42645602062024]
  本研究では,最新のテキスト・画像生成モデルから生成した合成画像が,画像認識タスクにどのように利用できるかを検討した。 本稿では,既存の生成モデルからの合成データの強大さと欠点を示し,認識タスクに合成データを適用するための戦略を提案する。
  論文  参考訳（メタデータ） (2022-10-14T06:54:24Z)

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。