論文の概要: Automatic Stage Lighting Control: Is it a Rule-Driven Process or Generative Task?

• arxiv url: http://arxiv.org/abs/2506.01482v1
• Date: Mon, 02 Jun 2025 09:42:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-04 21:47:34.178133
• Title: Automatic Stage Lighting Control: Is it a Rule-Driven Process or Generative Task?
• Title（参考訳）: 自動ステージ照明制御:ルール駆動プロセスか、それとも生成タスクか?
• Authors: Zijian Zhao, Dian Jin, Zijing Zhou, Xiaoyu Zhang,
• Abstract要約: 本稿では、経験豊富な照明技術者であるSkip-BARTから学ぶエンドツーエンドのソリューションを提案する。 提案手法では,BARTモデルを用いて音声を入力とし,光色と値(強度)を出力として生成し,新しいスキップ接続機構を組み込む。 定量的解析と人的評価の両面から,Skip-BARTが従来のルールベース手法より優れていることを示す。
• 参考スコア（独自算出の注目度）: 13.694225020834745
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Stage lighting plays an essential role in live music performances, influencing the engaging experience of both musicians and audiences. Given the high costs associated with hiring or training professional lighting engineers, Automatic Stage Lighting Control (ASLC) has gained increasing attention. However, most existing approaches only classify music into limited categories and map them to predefined light patterns, resulting in formulaic and monotonous outcomes that lack rationality. To address this issue, this paper presents an end-to-end solution that directly learns from experienced lighting engineers -- Skip-BART. To the best of our knowledge, this is the first work to conceptualize ASLC as a generative task rather than merely a classification problem. Our method modifies the BART model to take audio music as input and produce light hue and value (intensity) as output, incorporating a novel skip connection mechanism to enhance the relationship between music and light within the frame grid.We validate our method through both quantitative analysis and an human evaluation, demonstrating that Skip-BART outperforms conventional rule-based methods across all evaluation metrics and shows only a limited gap compared to real lighting engineers.Specifically, our method yields a p-value of 0.72 in a statistical comparison based on human evaluations with human lighting engineers, suggesting that the proposed approach closely matches human lighting engineering performance. To support further research, we have made our self-collected dataset, code, and trained model parameters available at https://github.com/RS2002/Skip-BART .
• Abstract（参考訳）: 舞台照明はライブ音楽演奏において重要な役割を担い、ミュージシャンと観客の両方のエンゲージメント体験に影響を与える。 プロの照明技術者の雇用や訓練にかかわる高コストを考えると、自動ステージ照明制御(ASLC)が注目されている。 しかし、既存のほとんどのアプローチは、音楽を限定されたカテゴリに分類し、それらを予め定義された光パターンにマッピングするだけであり、論理性に欠ける公式的な結果と単調な結果をもたらす。 この問題に対処するため,本稿では,経験豊富な照明技術者であるSkip-BARTから直接学習するエンドツーエンドソリューションを提案する。 我々の知る限りでは、ASLCを単なる分類問題ではなく、生成タスクとして概念化する最初の試みである。 提案手法は,BARTモデルを用いて,入力色と光色(強度)を出力とし,フレームグリッド内における音楽と光の関係を高めるための新しいスキップ接続機構を組み込んだものである。我々は,Skip-BARTが従来のルールベース手法をすべての評価指標で上回り,実際の照明技術者と比較して限られた差しか示さないことを示すとともに,提案手法が人間の照明工学的性能と密接に一致していることを示す。 さらなる研究を支援するため、私たちはデータセット、コード、トレーニング済みモデルパラメータをhttps://github.com/RS2002/Skip-BARTで公開しました。

関連論文リスト

• Action-Attentive Deep Reinforcement Learning for Autonomous Alignment of Beamlines [8.893851834398179]
  放射光源は材料科学、生物学、化学などの分野で重要な役割を果たしている。 ビームラインのアライメントは複雑で時間を要するプロセスであり、主にエンジニアが手動で行う。 本稿では,ビームラインのアライメントをマルコフ決定プロセス(MDP)としてモデル化し,RLを用いたインテリジェントエージェントのトレーニングを行う。
  論文  参考訳（メタデータ） (2024-11-19T02:50:11Z)
• Bootstrapping Reinforcement Learning with Imitation for Vision-Based Agile Flight [20.92646531472541]
  本稿では,Reinforcement Learning(RL)とImitation Learning(IL)のサンプル効率を組み合わせた新しいアプローチを提案する。 本フレームワークは、RLを用いた3段階の教員政策と、ILによる学生政策に蒸留する特権状態情報と、RLによる適応微調整とを含む。 テストでは、スクラッチからRLが失敗するシナリオだけでなく、ロバストさとパフォーマンスの両方で既存のILメソッドよりも優れています。
  論文  参考訳（メタデータ） (2024-03-18T19:25:57Z)
• DITTO: Diffusion Inference-Time T-Optimization for Music Generation [49.90109850026932]
  Diffusion Inference-Time T-Optimization (DITTO) は、事前訓練されたテキストから音楽への拡散モデルを推論時に制御するためのフレームワークである。 我々は、インペイント、アウトペイント、ループ化、強度、メロディ、音楽構造制御など、驚くほど幅広い音楽生成応用を実証する。
  論文  参考訳（メタデータ） (2024-01-22T18:10:10Z)
• Advancing Unsupervised Low-light Image Enhancement: Noise Estimation, Illumination Interpolation, and Self-Regulation [55.07472635587852]
  低光画像強調(LLIE)技術は、画像の詳細の保存とコントラストの強化に顕著な進歩をもたらした。 これらのアプローチは、動的ノイズを効率的に緩和し、様々な低照度シナリオを収容する上で、永続的な課題に直面する。 まず,低照度画像の雑音レベルを迅速かつ高精度に推定する方法を提案する。 次に、照明と入力の一般的な制約を満たすために、Learningable Illumination Interpolator (LII) を考案する。
  論文  参考訳（メタデータ） (2023-05-17T13:56:48Z)
• Enhancement by Your Aesthetic: An Intelligible Unsupervised Personalized Enhancer for Low-Light Images [67.14410374622699]
  低照度画像のための知能的教師なしパーソナライズ・エンハンサー(iUPEnhancer)を提案する。 提案したiUP-Enhancerは、これらの相関関係とそれに対応する教師なし損失関数のガイダンスを用いて訓練される。 実験により,提案アルゴリズムは競合的な質的,定量的な結果が得られることを示した。
  論文  参考訳（メタデータ） (2022-07-15T07:16:10Z)
• Toward Fast, Flexible, and Robust Low-Light Image Enhancement [87.27326390675155]
  我々は、現実の低照度シナリオにおいて、高速でフレキシブルで頑健な鮮明化のための新しい自己校正イルミネーション(SCI)学習フレームワークを開発した。 カスケードパターンの計算負担を考慮すると、各ステージの結果の収束を実現する自己校正モジュールを構築する。 我々は,SCI固有の特性について,操作不感適応性やモデル非関係の一般性を含む包括的探索を行う。
  論文  参考訳（メタデータ） (2022-04-21T14:40:32Z)
• Learning to Adapt to Light [14.919947487248653]
  LAネットワーク(LA-Net)を用いた光関連画像強調処理のための生物学的に着想を得た手法を提案する。 新しいモジュールは生物学的な視覚適応にインスパイアされ、低周波経路における統一的な光適応を実現する。 低照度向上, 露光補正, トーンマッピングという3つの課題の実験により, 提案手法がほぼ最先端の性能を得ることを示した。
  論文  参考訳（メタデータ） (2022-02-16T14:36:25Z)

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。