論文の概要: Visual Retrieval-Augmented Generation for Silhouette-Guided Animal Art
- arxiv url: http://arxiv.org/abs/2606.17431v1
- Date: Tue, 16 Jun 2026 02:24:21 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-17 17:15:32.220162
- Title: Visual Retrieval-Augmented Generation for Silhouette-Guided Animal Art
- Title（参考訳）: シルエット誘導型動物芸術の視覚的検索型生成
- Abstract要約: 本稿では,自然のシルエットから動物芸術を直接生成するVisual Retrieval-Augmented Generation (Visual-RAG)を紹介する。
本手法は,28,586個の高品質シルエットの硬化体から構造的に類似した動物形状を回収する。
結果は、Visual-RAGがもっともらしい解釈を提供する一方で、高い知覚的影響を達成する上での課題が残っていることを示している。
- 参考スコア（独自算出の注目度）: 4.154815727446656
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Generative AI has advanced the ability to render photorealistic or artistic images, yet it remains limited in a key aspect of human creativity: interpreting ambiguous shapes. This phenomenon, rooted in pareidolia, allows humans to perceive meaningful forms in random patterns such as clouds, stones, or leaves. To computationally replicate this imaginative process, we introduce Visual Retrieval-Augmented Generation (Visual-RAG), a framework that generates animal art directly from natural silhouettes. Our method retrieves structurally similar animal shapes from a curated corpus of 28,586 high-quality silhouettes and uses them as reference exemplars to guide diffusion-based generation with ControlNet and IP-Adapter. Ablation studies confirm that shape Context with RANSAC provides the most accurate alignment, while removing shape standardization reduces the inlier ratio to just 13.4\%, underscoring the importance of structural fidelity in Visual-RAG. A user study with 12 participants evaluated the outputs in terms of aesthetics, silhouette fidelity, and overall impression. Results reveal that while Visual-RAG provides plausible interpretations, challenges remain in achieving high perceptual impact. This work lays the foundation for computational pareidolia, showing how machines can contribute to the early stages of imaginative discovery.
- Abstract（参考訳）: 生成AIは、フォトリアリスティックまたは芸術的な画像を描画する能力を進歩させたが、人間の創造性の重要な側面であるあいまいな形を解釈することはまだ限られている。
この現象はパレドリアに根付いており、雲や石、葉といったランダムなパターンで意味のある形を知覚することができる。
この想像的過程を計算的に再現するために,自然のシルエットから動物芸術を直接生成するVisual Retrieval-Augmented Generation (Visual-RAG)を導入する。
提案手法は,28,586個の高品質シルエットの硬化体から構造的に類似した動物形状を検索し,参照例として,ControlNetとIP-Adapterを用いて拡散型世代を誘導する。
アブレーション研究では、形状コンテキストとRANSACが最も正確なアライメントを提供するのに対して、形状標準化の除去は、不整合比をわずか13.4\%に減らし、ビジュアルRAGにおける構造的忠実性の重要性を強調している。
被験者12名によるユーザスタディでは,美学,シルエットの忠実度,全体的な印象の点からアウトプットを評価した。
結果は、Visual-RAGがもっともらしい解釈を提供する一方で、高い知覚的影響を達成する上での課題が残っていることを示している。
この研究は、機械が想像上の発見の初期段階にどのように貢献できるかを示す計算パリドリアの基礎を築いた。
関連論文リスト
- From Images to Perception: Emergence of Perceptual Properties by Reconstructing Images [1.77513002450736]
網膜-V1大脳皮質のいくつかの既知の事実に対応するバイオインスパイアされたアーキテクチャであるPerceptNetは、画像再構成に関連するさまざまなタスクにエンドツーエンドで最適化されている。
以上の結果から,エンコーダの段階は画像歪みに対する人間の知覚的判断と一貫した相関を示すことがわかった。
論文 参考訳（メタデータ） (2025-08-14T08:37:30Z) - Shape2Animal: Creative Animal Generation from Natural Silhouettes [14.338537127280402]
本稿では, 雲, 石, 炎などの自然物シルエットを可塑性動物形として再解釈するためのShape2Animalフレームワークを提案する。
我々の自動フレームワークはまずオープン語彙セグメンテーションを行い、オブジェクトシルエットを抽出し、意味的に適切な動物概念を解釈する。
次に、入力形状に適合した動物画像を合成し、テキストと画像の拡散モデルを利用して、それを元のシーンにシームレスにブレンドする。
論文 参考訳（メタデータ） (2025-06-25T17:04:08Z) - SridBench: Benchmark of Scientific Research Illustration Drawing of Image Generation Model [21.81341169834812]
SridBenchは、科学フィギュア生成のための最初のベンチマークである。
これは13の自然科学とコンピュータ科学の分野にわたる主要な科学論文から1,120の事例で構成されている。
その結果、GPT-4o画像のような最上位モデルでさえ、人間のパフォーマンスに遅れがあることが判明した。
論文 参考訳（メタデータ） (2025-05-28T08:51:01Z) - RealRAG: Retrieval-augmented Realistic Image Generation via Self-reflective Contrastive Learning [54.07026389388881]
第1回リアルタイムオブジェクトベース検索拡張生成フレームワーク(RealRAG)を提案する。
RealRAGは、生成モデルの知識ギャップを克服するために、現実世界の画像の学習と検索によって、細粒で目に見えない新しいオブジェクトを生成する。
本フレームワークは, 生成モデルに対するきめ細かな視覚的知識を統合し, 歪み問題に対処し, オブジェクト生成における現実性を改善する。
論文 参考訳（メタデータ） (2025-02-02T16:41:54Z) - KITTEN: A Knowledge-Intensive Evaluation of Image Generation on Visual Entities [93.74881034001312]
KITTENはKnowledge-InTensiveイメージジェネラティオンのベンチマークである。
我々は最新のテキスト・画像モデルと検索強化モデルについて体系的な研究を行う。
分析によると、高度なテキスト・ツー・イメージモデルでさえ、エンティティの正確な視覚的詳細を生成できない。
論文 参考訳（メタデータ） (2024-10-15T17:50:37Z) - Generative AI in Agriculture: Creating Image Datasets Using DALL.E's Advanced Large Language Model Capabilities [0.4143603294943439]
テキスト・ツー・イメージと画像・ツー・イメージ(変分)の両手法を用いた研究
画像から画像への生成は、平均PSNRがテキストから画像への変換よりも5.78%増加した。
また,画像から画像までの手法を用いて生成した画像は,テキストから画像へのアプローチで生成した画像よりも現実的であった。
論文 参考訳（メタデータ） (2023-07-17T19:17:10Z) - CIFAKE: Image Classification and Explainable Identification of
AI-Generated Synthetic Images [7.868449549351487]
本稿では,コンピュータビジョンによるAI生成画像の認識能力を高めることを提案する。
写真が本物かAIによって生成されるかに関して、バイナリ分類問題として存在する2つのデータセット。
本研究では,畳み込みニューラルネットワーク(CNN)を用いて画像をリアルとフェイクの2つのカテゴリに分類する。
論文 参考訳（メタデータ） (2023-03-24T16:33:06Z) - MagicPony: Learning Articulated 3D Animals in the Wild [81.63322697335228]
そこで本研究では,オブジェクトカテゴリのワンビュー画像から,この予測器を純粋に学習するMagicPonyを提案する。
その中核は、明瞭な形状と外観を暗黙的に表現し、神経磁場とメッシュの強さを組み合わせたものである。
論文 参考訳（メタデータ） (2022-11-22T18:59:31Z) - Exploring CLIP for Assessing the Look and Feel of Images [87.97623543523858]
ゼロショット方式で画像の品質知覚(ルック)と抽象知覚(フィール)の両方を評価するために,コントラスト言語-画像事前学習(CLIP)モデルを導入する。
以上の結果から,CLIPは知覚的評価によく適合する有意義な先行情報を捉えることが示唆された。
論文 参考訳（メタデータ） (2022-07-25T17:58:16Z) - MetaAvatar: Learning Animatable Clothed Human Models from Few Depth
Images [60.56518548286836]
新規な入力ポーズから現実的な布の変形を生成するには、通常、水密メッシュや高密度フルボディスキャンが入力として必要とされる。
本研究では, 単眼深度画像のみを考慮し, 制御可能なニューラルSDFとして表現された, リアルな衣服付きアバターを迅速に生成する手法を提案する。
論文 参考訳（メタデータ） (2021-06-22T17:30:12Z) - Predictive coding feedback results in perceived illusory contours in a
recurrent neural network [0.0]
脳にインスパイアされたリカレントダイナミクスを備えたディープフィードフォワード畳み込みネットワークを備える。
照明輪郭の知覚にはフィードバック接続が関与する可能性が示唆された。
論文 参考訳（メタデータ） (2021-02-03T09:07:09Z) - Neural Re-Rendering of Humans from a Single Image [80.53438609047896]
本稿では,新しいユーザ定義のポーズと視点の下での人間のニューラルリレンダリング手法を提案する。
私たちのアルゴリズムは、単一の画像から再構築できるパラメトリックメッシュとして体ポーズと形状を表します。
論文 参考訳（メタデータ） (2021-01-11T18:53:47Z)
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。