論文の概要: On Semiotic-Grounded Interpretive Evaluation of Generative Art
- arxiv url: http://arxiv.org/abs/2604.08641v1
- Date: Thu, 09 Apr 2026 17:30:10 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-13 17:57:53.511989
- Title: On Semiotic-Grounded Interpretive Evaluation of Generative Art
- Title（参考訳）: ジェネレーティブアートのセミオティックグラウンド解釈評価について
- Abstract要約: 生成アート(GenArt)評価器は、表面レベルの画像品質またはリテラルプロンプト順守に固定される。
本稿では,Human-GenArt Interaction (HGI)をケースド・セミオーシスとしてモデル化したPircean計算セミオティック理論を定式化することによって,このギャップに対処する。
本稿では,HGIにおける記号的意味と指標的意味を明確に評価するSemJudgeを提案する。
- 参考スコア（独自算出の注目度）: 35.59051707152096
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Interpretation is essential to deciphering the language of art: audiences communicate with artists by recovering meaning from visual artifacts. However, current Generative Art (GenArt) evaluators remain fixated on surface-level image quality or literal prompt adherence, failing to assess the deeper symbolic or abstract meaning intended by the creator. We address this gap by formalizing a Peircean computational semiotic theory that models Human-GenArt Interaction (HGI) as cascaded semiosis. This framework reveals that artistic meaning is conveyed through three modes - iconic, symbolic, and indexical - yet existing evaluators operate heavily within the iconic mode, remaining structurally blind to the latter two. To overcome this structural blindness, we propose SemJudge. This evaluator explicitly assesses symbolic and indexical meaning in HGI via a Hierarchical Semiosis Graph (HSG) that reconstructs the meaning-making process from prompt to generated artifact. Extensive quantitative experiments show that SemJudge aligns more closely with human judgments than prior evaluators on an interpretation-intensive fine-art benchmark. User studies further demonstrate that SemJudge produces deeper, more insightful artistic interpretations, thereby paving the way for GenArt to move beyond the generation of "pretty" images toward a medium capable of expressing complex human experience. Project page: https://github.com/songrise/SemJudge.
- Abstract（参考訳）: 聴衆は、視覚的な人工物から意味を回復することで、アーティストとコミュニケーションをとる。
しかし、現在のジェネレーティブ・アート(GenArt)の評価者は、創造者が意図したより深い象徴的あるいは抽象的な意味を評価するのに失敗し、表面レベルの画像品質やリテラル・プロンプトの順守に固執している。
本稿では,Human-GenArt Interaction (HGI)をケースド・セミオーシスとしてモデル化したPircean計算セミオティック理論を定式化することによって,このギャップに対処する。
この枠組みは、芸術的な意味は象徴的、象徴的、指標的な3つのモードを通して伝達されるが、既存の評価者は象徴的モードの中で大きく機能し、後者の2つのモードは構造的に盲目である。
この構造的盲点を克服するために,SemJudgeを提案する。
本評価装置は,HGIの記号的および指標的意味を階層的セミオーシスグラフ(HSG)を用いて明確に評価し,その意味形成過程をプロンプトから生成アーティファクトに再構築する。
大規模な定量的実験により、SemJudgeは解釈集約的なファインアートベンチマークにおいて、事前評価者よりも人間の判断とより密に一致していることが示された。
ユーザスタディにより、SemJudgeはより深く、より洞察に富んだ芸術的解釈を生み出し、それによってGenArtが複雑な人間の経験を表現できる媒体へと「美しい」画像を生成する方法が確立された。
プロジェクトページ: https://github.com/songrise/SemJudge.com
関連論文リスト
- Learning visual representations for compositional analysis of artworks and photographs [40.190936097282275]
合成分析のための並列パラダイムとして,知覚的グループ化を基礎としたヒューマンインスパイアされた手法と,近年の大規模合成データセットによって実現された微調整基礎モデルを比較した。
凍結エンコーダでは、人間にインスパイアされた方法は解釈可能のまま競争性能を達成する。
十分なデータによって微調整が可能となると、大規模な自己教師付きモデルの性能は大幅に向上するが、解釈可能性やドメイン間一般化のコストがかかる。
論文 参考訳（メタデータ） (2026-08-06T15:11:24Z) - More Than Meets the Eye: Measuring the Semiotic Gap in Vision-Language Models via Semantic Anchorage [3.968258676030377]
視覚的抽象下では,高い視覚的忠実度が慣用的な構成性に干渉するか否かを検討する。
このベンチマークでは,リテラルと慣用的な読み出しのためのペア化,センスアンコールによる可視化を生成することで,高忠実度な視覚的ディテールを図形的象徴性に置き換える。
この結果から,構成理解の向上には視覚入力の図形的抽象化と,意図した意味によるアンカリング解釈と生成が必要であることが示唆された。
論文 参考訳（メタデータ） (2026-04-19T10:00:41Z) - From edges to meaning: Semantic line sketches as a cognitive scaffold for ancient pictograph invention [6.252200625372005]
本研究は,視覚入力を安定的境界に基づく抽象概念に圧縮する脳固有の傾向から,古代ピクトグラフィーの書体が出現したことを示す。
本研究は,ヒトが最初に知覚を記号として認識する認知過程を再カプセル化するための枠組みを構築した。
論文 参考訳（メタデータ） (2026-04-14T15:16:09Z) - Does AI See like Art Historians? Interpreting How Vision Language Models Recognize Artistic Style [60.562013130566726]
VLMの芸術的スタイル予測能力の基盤となるメカニズムを特徴付ける。
我々は、アートスタイルの予測を駆動する概念を特定するために、潜在空間分解アプローチを採用する。
スタイルの予測に無関係な概念が使われた場合、美術史家はその成功の可能性がある理由を特定した。
論文 参考訳（メタデータ） (2026-03-11T17:49:45Z) - SynMind: Reducing Semantic Hallucination in fMRI-Based Image Reconstruction [52.34513874272676]
既存の手法は、明示的な意味的アイデンティティよりも、絡み合った視覚的埋め込みに強く依存している、と我々は主張する。
我々はfMRI信号を、人間の視覚理解の階層的・構成的性質を反映したリッチで文レベルの意味記述に解析する。
そこで我々は,これらの明示的なセマンティックエンコーディングを視覚的プリエンプションと統合したフレームワークであるSynMindを提案する。
論文 参考訳（メタデータ） (2026-01-25T14:31:23Z) - Bridging Cognitive Gap: Hierarchical Description Learning for Artistic Image Aesthetics Assessment [51.40989269202702]
審美的品質評価タスクは,AIGCの定量的評価システムの開発に不可欠である。
本研究では,記述生成による美的次元の分離を図った芸術的画像の美的評価フレームワークであるArtQuantを提案する。
提案手法は,従来のトレーニングの33%しか必要とせず,いくつかのデータセット上での最先端のパフォーマンスを実現する。
論文 参考訳（メタデータ） (2025-12-29T12:18:26Z) - ArtRAG: Retrieval-Augmented Generation with Structured Context for Visual Art Understanding [21.469839845171652]
ArtRAGは、構造化知識と検索強化世代(RAG)を組み合わせた新しいフレームワークである。
推測時には、構造化された検索者が意味的およびトポロジカルなサブグラフを選択して生成をガイドする。
SemArtとArtpediaのデータセットの実験では、ArtRAGがいくつかの高度に訓練されたベースラインを上回っている。
論文 参考訳（メタデータ） (2025-05-09T13:08:27Z) - Multimodal LLMs Can Reason about Aesthetics in Zero-Shot [35.59051707152096]
本稿では,マルチモーダルLCMの推論能力を効果的に活用して審美判断を行う方法について検討する。
MLLMは審美的推論において幻覚を呈する傾向を示し,主観的意見と根拠のない芸術的解釈を特徴とする。
この原理によって引き起こされたMLLMは、人間の判断に非常によく適合する多面的、深い美的推論を生み出す。
論文 参考訳（メタデータ） (2025-01-15T18:56:22Z) - Semi-supervised Chinese Poem-to-Painting Generation via Cycle-consistent Adversarial Networks [2.250406890348191]
本稿では,周期整合型対数ネットワークを用いた半教師付き手法を提案する。
生成した詩や絵画の品質,多様性,一貫性を評価するために,新しい評価指標を導入する。
提案手法は従来の手法よりも優れており,芸術表現の象徴的本質をとらえる可能性を示唆している。
論文 参考訳（メタデータ） (2024-10-25T04:57:44Z) - Iconic Gesture Semantics [87.00251241246136]
ジェスチャーの視覚的象徴的モデルの知覚的分類において、情報評価は拡張的な例示(例示)として表される。
視覚コミュニケーションのインスタンスの知覚的分類は、Frege/Montagueフレームワークとは異なる意味の概念を必要とする。
モデル理論評価から動的セマンティックフレームワークにおける推論的解釈まで,ジェスチャ表現の全範囲をカバーするアイコン的ジェスチャセマンティクスが導入された。
論文 参考訳（メタデータ） (2024-04-29T13:58:03Z) - 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)
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。