論文の概要: Representing Beauty: Towards a Participatory but Objective Latent Aesthetics

• arxiv url: http://arxiv.org/abs/2510.02869v1
• Date: Fri, 03 Oct 2025 10:09:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-06 16:35:52.346503
• Title: Representing Beauty: Towards a Participatory but Objective Latent Aesthetics
• Title（参考訳）: 美の表現 : 参加的だが目的的潜在美学へ向けて
• Authors: Alexander Michael Rusnak,
• Abstract要約: 美的コンテンツが、モデル間でより類似し、整合した表現をいかに生み出すかを示す。 我々は、人間の知覚的・創造的な行為が、深層学習システムのこれらの潜伏した空間を形成する上で、中心的な役割を担っていると論じる。 以上の結果から,人間と機械の共創は可能ではなく基礎的なものであることが示唆された。
• 参考スコア（独自算出の注目度）: 51.56484100374058
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: What does it mean for a machine to recognize beauty? While beauty remains a culturally and experientially compelling but philosophically elusive concept, deep learning systems increasingly appear capable of modeling aesthetic judgment. In this paper, we explore the capacity of neural networks to represent beauty despite the immense formal diversity of objects for which the term applies. By drawing on recent work on cross-model representational convergence, we show how aesthetic content produces more similar and aligned representations between models which have been trained on distinct data and modalities - while unaesthetic images do not produce more aligned representations. This finding implies that the formal structure of beautiful images has a realist basis - rather than only as a reflection of socially constructed values. Furthermore, we propose that these realist representations exist because of a joint grounding of aesthetic form in physical and cultural substance. We argue that human perceptual and creative acts play a central role in shaping these the latent spaces of deep learning systems, but that a realist basis for aesthetics shows that machines are not mere creative parrots but can produce novel creative insights from the unique vantage point of scale. Our findings suggest that human-machine co-creation is not merely possible, but foundational - with beauty serving as a teleological attractor in both cultural production and machine perception.
• Abstract（参考訳）: マシンが美を認識できることの意味は何ですか。 美は文化的にも経験的にも魅力的だが哲学的にもわかりやすい概念であるが、深層学習システムは審美的判断をモデル化できるようになっている。 本稿では,この用語が適用される物体の形式的多様性にもかかわらず,ニューラルネットワークの美しさを表現する能力について検討する。 クロスモデル表現収束に関する最近の研究に基づいて、異なるデータとモダリティに基づいて訓練されたモデル間で、美的内容がより類似し整合した表現をいかに生み出すかを示す。 この発見は、美しい画像の形式構造が、社会的に構築された価値の反映としてだけではなく、現実主義的な基礎を持っていることを示唆している。 さらに, これらの現実主義表現は, 物理的, 文化的物質における審美的形態の融合により存在することが示唆された。 人間の知覚的・創造的な行為は、深層学習システムの潜伏した空間を形成する上で中心的な役割を果たすが、美学の現実主義的な基盤は、機械は単なる創造的なオウムではなく、独自の先進的な視点から創造的な洞察を生み出すことができることを示している。 以上の結果から,人間と機械の共創は可能であるだけでなく,文化的生産と機械認識の両面でのテレロジカルな役割を担っていることが示唆された。

関連論文リスト

• Impressions: Understanding Visual Semiotics and Aesthetic Impact [66.40617566253404]
  画像のセミオティックスを調べるための新しいデータセットであるImpressionsを提示する。 既存のマルチモーダル画像キャプションと条件付き生成モデルは、画像に対する可視的応答をシミュレートするのに苦労していることを示す。 このデータセットは、微調整と少数ショット適応により、画像の印象や美的評価をモデル化する能力を大幅に改善する。
  論文  参考訳（メタデータ） (2023-10-27T04:30:18Z)
• Intrinsic Physical Concepts Discovery with Object-Centric Predictive Models [86.25460882547581]
  PHYsical Concepts Inference NEtwork (PHYCINE) は、異なる抽象レベルの物理概念を監督なしで推論するシステムである。 物理概念変数を含むオブジェクト表現は因果推論タスクの性能向上に有効であることを示す。
  論文  参考訳（メタデータ） (2023-03-03T11:52:21Z)
• Dressing Avatars: Deep Photorealistic Appearance for Physically Simulated Clothing [49.96406805006839]
  リアルな衣服の動態とリアルなデータから学んだフォトリアリスティックな外観の両方を示す衣服の明示的なモデリングを施したポーズ駆動アバターを紹介した。 我々の重要な貢献は物理的にインスパイアされた外観ネットワークであり、視界依存的かつダイナミックな影効果を持つ光リアルな外観を生成できる。
  論文  参考訳（メタデータ） (2022-06-30T17:58:20Z)
• How Deep is Your Art: An Experimental Study on the Limits of Artistic Understanding in a Single-Task, Single-Modality Neural Network [0.0]
  本稿では,最先端のDeep Convolutional Neural Network(DCNN)が,現代美術作品とアートキュレーターが考案したギャラリーを正確に区別できる程度を実験的に検討した。
  論文  参考訳（メタデータ） (2022-03-30T03:32:05Z)
• Structural Beauty: A Structure-based Approach to Quantifying the Beauty of an Image [7.032744060924398]
  クリストファー・アレクサンダーは長い間、美しさやコヒーレンスがサブ対称性やサブ構造の数と高い相関関係にあることを発見してきた。 本論文では,自動導出サブストラクチャー数に基づいて,画像の構造的美しさや寿命を計算する手法を提案する。
  論文  参考訳（メタデータ） (2021-04-16T08:48:34Z)
• Learning to See: You Are What You See [3.0709727531116617]
  このアートワークは、人工知能ニューラルネットワークのバイアスを調査し、現実世界の表現を操作するメカニズムを提供する。 これらの表現の探索は、世界の視覚的理解と/または視覚的語彙を開発する過程のメタファーとして機能する。
  論文  参考訳（メタデータ） (2020-02-28T07:12:52Z)

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。