論文の概要: Navigating the Open-Source Model Ecosystem: An Empirical Study of Creator Practices in Artistic Image Generation
- arxiv url: http://arxiv.org/abs/2607.10538v1
- Date: Sun, 12 Jul 2026 02:43:00 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-14 15:40:48.460659
- Title: Navigating the Open-Source Model Ecosystem: An Empirical Study of Creator Practices in Artistic Image Generation
- Title（参考訳）: オープンソースモデル生態系のナビゲーション:芸術画像生成における創造者実践の実証的研究
- Abstract要約: 組込み生成メタデータを用いて,600万枚の画像からなる新しいデータセットを構築した。
22.4Kのベースモデルと154KのLoRAモデルを画像に結びつけることで、我々の研究は生態系のユニークな強みと固有の障害を浮き彫りにした。
- 参考スコア（独自算出の注目度）: 10.001584168629051
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: The open-sourcing of powerful image generation models has created a vibrant ecosystem where creators curate and combine a vast array of community-contributed models. This practice stands in sharp contrast to using closed-source tools like Midjourney. Yet, little is known about these emerging creative workflows. To bridge this gap, this paper presents the first large-scale empirical study of creator model usage behavior within this open-source image generation ecosystem. We construct a novel dataset of 6 million images with their embedded generation metadata -- a detailed recipe of the creation process, including the models used and the prompts. By linking the usage of 22.4K base models and 154K LoRA models to the images, our findings underscore the ecosystem's unique strengths and its inherent obstacles. This provides valuable insights for making this ecosystem more sustainable and innovative. Moreover, we make our dataset publicly available, providing creators with practical references for producing better artworks and researchers to facilitate further studies.
- Abstract（参考訳）: 強力な画像生成モデルのオープンソース化は、クリエーターが膨大な数のコミュニティに分散したモデルをキュレートして組み合わせる、活気あるエコシステムを生み出した。
このプラクティスは、Midjourneyのようなクローズドソースツールの使用とは対照的である。
しかし、こうした創造的なワークフローについてはほとんど知られていない。
このギャップを埋めるために,このオープンソース画像生成エコシステムにおける創造的モデル利用行動に関する大規模な実証的研究を行った。
構築プロセスの詳細なレシピである、使用したモデルとプロンプトを含む、600万イメージの新たなデータセットを組み込み生成メタデータで構築する。
22.4Kのベースモデルと154KのLoRAモデルを画像に結びつけることで、我々の研究は生態系のユニークな強みと固有の障害を浮き彫りにした。
これにより、このエコシステムをより持続的で革新的なものにするための貴重な洞察が得られます。
さらに、我々のデータセットを公開し、より優れたアートワークを制作するための実践的なリファレンスと、さらなる研究を促進する研究者を提供する。
関連論文リスト
- GMAIL: Generative Modality Alignment for generated Image Learning [51.071351994330605]
本稿では,生成画像の識別のための新しいフレームワークGMAILを提案する。
我々のフレームワークは様々な視覚言語モデルに容易に組み込むことができ、広範囲にわたる実験を通してその有効性を示す。
論文 参考訳（メタデータ） (2026-02-17T05:40:25Z) - Creative Image Generation with Diffusion Models [10.05957748073635]
本稿では,CLIP埋め込み空間における画像の存在の逆確率と創造性を関連付ける拡散モデルを用いた創造的生成のための新しい枠組みを提案する。
提案手法は,生成した画像の確率分布を計算し,それを低確率領域に向けて駆動し,希少かつ想像的かつ視覚的に表現可能な出力を生成する。
論文 参考訳（メタデータ） (2026-01-29T18:48:48Z) - Training Data Attribution for Image Generation using Ontology-Aligned Knowledge Graphs [3.686386213696443]
本稿では,知識グラフの自動構築を通じて生成出力を解釈するフレームワークを提案する。
本手法は, 画像から立体構造を抽出し, 領域固有のオントロジーと整合する。
生成された画像とトレーニング画像のKGを比較して、潜在的な影響をトレースし、著作権分析、データセットの透明性、解釈可能なAIを可能にします。
論文 参考訳（メタデータ） (2025-12-02T12:45:20Z) - Product of Experts for Visual Generation [60.91134809173301]
異種モデルから推論時知識合成を行うPoE(Product of Experts)フレームワークを提案する。
本フレームワークは画像と映像の合成作業において実用的な利点を示し,モノリシックな手法よりも制御性が高いことを示す。
論文 参考訳（メタデータ） (2025-06-10T15:21:14Z) - Generative AI in Vision: A Survey on Models, Metrics and Applications [0.0]
生成AIモデルは、現実的で多様なデータサンプルの作成を可能にすることで、さまざまな分野に革命をもたらした。
これらのモデルの中で、拡散モデルは高品質な画像、テキスト、オーディオを生成するための強力なアプローチとして現れている。
本稿では,AI拡散モデルとレガシモデルについて概観し,その基礎となる技術,異なる領域にわたる応用,課題について概説する。
論文 参考訳（メタデータ） (2024-02-26T07:47:12Z) - SODA: Bottleneck Diffusion Models for Representation Learning [75.7331354734152]
本稿では,表現学習のための自己教師付き拡散モデルSODAを紹介する。
このモデルには、ソースビューをコンパクトな表現に蒸留するイメージエンコーダが組み込まれており、関連する新規ビューの生成を導く。
エンコーダと復調復調復調復調復調復調復調復調復号器の密集ボトルネックを付与することにより,拡散モデルを強力な表現学習器に変換することができることを示す。
論文 参考訳（メタデータ） (2023-11-29T18:53:34Z) - RenAIssance: A Survey into AI Text-to-Image Generation in the Era of
Large Model [93.8067369210696]
テキスト・ツー・イメージ生成(テキスト・トゥ・イメージ・ジェネレーション、英: Text-to-image Generation、TTI)とは、テキスト入力を処理し、テキスト記述に基づいて高忠実度画像を生成するモデルである。
拡散モデル (diffusion model) は、繰り返しステップによるノイズの体系的導入を通じて画像の生成に使用される顕著な生成モデルである。
大規模モデルの時代、モデルサイズを拡大し、大規模言語モデルとの統合により、TTIモデルの性能がさらに向上した。
論文 参考訳（メタデータ） (2023-09-02T03:27:20Z) - StableLLaVA: Enhanced Visual Instruction Tuning with Synthesized
Image-Dialogue Data [129.92449761766025]
本稿では,視覚的インストラクションチューニングのための画像と対話を同期的に合成する新しいデータ収集手法を提案する。
このアプローチは生成モデルのパワーを活用し、ChatGPTとテキスト・ツー・イメージ生成モデルの能力とを結合する。
本研究は,各種データセットを対象とした総合的な実験を含む。
論文 参考訳（メタデータ） (2023-08-20T12:43:52Z) - Diffusion idea exploration for art generation [0.10152838128195467]
拡散モデルは最近、クロスモーダルデータを用いた画像生成タスクにおいて、他の生成モデルよりも優れています。
このタスクの新たな画像生成の初期実験は、有望な質的結果を示した。
論文 参考訳（メタデータ） (2023-07-11T02:35:26Z) - Implementing and Experimenting with Diffusion Models for Text-to-Image
Generation [0.0]
DALL-E 2 と Imagen という2つのモデルでは、画像の単純なテキスト記述から高画質の画像を生成できることが示されている。
テキスト・ツー・イメージのモデルは、トレーニングに必要な膨大な計算リソースと、インターネットから収集された巨大なデータセットを扱う必要がある。
この論文は、これらのモデルが使用するさまざまなアプローチとテクニックをレビューし、それから、テキスト・ツー・イメージ・モデルの独自の実装を提案することで貢献する。
論文 参考訳（メタデータ） (2022-09-22T12:03:33Z) - InvGAN: Invertible GANs [88.58338626299837]
InvGANはInvertible GANの略で、高品質な生成モデルの潜在空間に実際の画像を埋め込むことに成功した。
これにより、画像のインペイント、マージ、オンラインデータ拡張を実行できます。
論文 参考訳（メタデータ） (2021-12-08T21:39:00Z) - Towards creativity characterization of generative models via group-based
subset scanning [51.84144826134919]
創造的プロセスを定量化し,検出し,特徴付けるグループベースサブセットスキャンを提案する。
創造的なサンプルは、データセットをまたいだ通常または非創造的なサンプルよりも大きな異常のサブセットを生成する。
論文 参考訳（メタデータ） (2021-04-01T14:07:49Z)
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。