論文の概要: SynGallery: A Synthetic Gallery of Real Paintings for Instance-Level Artwork Recognition

• arxiv url: http://arxiv.org/abs/2607.18907v1
• Date: Tue, 21 Jul 2026 09:50:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-22 19:05:05.386015
• Title: SynGallery: A Synthetic Gallery of Real Paintings for Instance-Level Artwork Recognition
• Title（参考訳）: SynGallery:インスタンスレベルアートワーク認識のためのリアル絵画の合成ギャラリー
• Abstract要約: ケースレベルのアートワーク認識には、大規模な博物館コレクション内の特定の作品に手持ちのビジター写真とマッチングする必要がある。 ペイントデータセットがトレーニング用のクリーンなカタログイメージを提供するのに対して、テストクエリは斜めの視点でキャプチャされるため、これは難しい。 我々は、このギャップに対処するアートワーク検索のための合成ギャラリーデータセットであるSynGalleryを、追加のリアル写真を集めることなく提示する。
• 参考スコア（独自算出の注目度）: 8.113065750657851
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Instance-level artwork recognition requires matching a handheld visitor photograph to a specific work in a large museum collection. This is challenging because painting datasets typically provide clean catalog images for training, while test queries are captured under oblique viewpoints, gallery lighting, reflections, frames, and other scene-level variations. We present SynGallery, a synthetic gallery dataset for artwork retrieval that addresses this gap without collecting additional real photographs. Starting from catalog images of real paintings, we place each artwork into a procedurally generated 3D gallery scene and render it from multiple viewpoints under varied geometric and appearance conditions, while preserving the exact identity of the original work. The resulting dataset contains 24,490 rendered views of 4,898 paintings from the Met benchmark. We show that these synthetic views provide a stronger training signal than the corresponding studio photographs. At the same number of training data points, training only on SynGallery improves art painting recognition from 67.18 to 73.47 GAP$^-$. When added to the full Met training set, SynGallery improves the published benchmark protocol from 35.97 to 38.48 GAP. Ablation experiments show that the gain comes primarily from geometric viewpoint variation rather than photographic realism: blur, sensor noise, and image compression consistently reduce performance.
• Abstract（参考訳）: ケースレベルのアートワーク認識には、大規模な博物館コレクション内の特定の作品に手持ちのビジター写真とマッチングする必要がある。 ペイントデータセットがトレーニング用のクリーンなカタログイメージを提供するのに対して、テストクエリは斜めの視点、ギャラリーの照明、リフレクション、フレーム、その他のシーンレベルのバリエーションでキャプチャされるため、これは難しい。 我々は、このギャップに対処するアートワーク検索のための合成ギャラリーデータセットであるSynGalleryを、追加のリアル写真を集めることなく提示する。 実際の絵画のカタログ画像から、各アートワークをプロシージャ的に生成された3Dギャラリーシーンに配置し、幾何的・外観的な異なる条件下で複数の視点からレンダリングし、オリジナル作品の正確な同一性を保っている。 その結果得られたデータセットには、Metベンチマークによる4,898点の4,490点の描画ビューが含まれている。 これらの合成ビューは、スタジオ写真よりも強いトレーニング信号を提供することを示す。 同じ数のトレーニングデータポイントで、SynGalleryでのみトレーニングすることで、アートペインティングの認識が67.18から73.47 GAP$^-$に向上する。 完全なMetトレーニングセットに追加されると、SynGalleryは発行されたベンチマークプロトコルを35.97から38.48 GAPに改善した。 アブレーション実験により、写真リアリズムよりも幾何学的視点の変動が主な原因であることが示され、ぼやけ、センサノイズ、画像圧縮が一貫して性能を低下させる。

関連論文リスト

• Enhancing Authorship Attribution with Synthetic Paintings [0.0]
  本稿では,実データと合成データを組み合わせたハイブリッド手法を提案する。 実験結果から, 合成画像の追加は, 実際の絵画よりも高いROC-AUCと精度をもたらすことが示された。
  論文  参考訳（メタデータ） (2026-03-04T18:00:42Z)
• Computational Scaffolding of Composition, Value, and Color for Disciplined Drawing [14.006773412220939]
  ArtKritは、参照イメージを3つの主要なステップに複製するプロセスを足場化するツールだ。 各ステップで、適応的な合成ライン生成などの計算ガイダンスを提供する。 私たちのコードと補足資料はhttps://majiaju.io/artkrit.comで公開されています。
  論文  参考訳（メタデータ） (2025-09-21T22:59:56Z)
• FreeMask: Synthetic Images with Dense Annotations Make Stronger Segmentation Models [62.009002395326384]
  FreeMaskは、生成モデルからの合成画像を利用して、データ収集とアノテーション手順の負担を軽減する。 まず、現実的なデータセットによって提供されるセマンティックマスクに条件付けされた豊富な訓練画像を合成する。 本研究では,実画像との協調訓練や,実画像の事前学習による合成画像の役割について検討する。
  論文  参考訳（メタデータ） (2023-10-23T17:57:27Z)
• Perceptual Artifacts Localization for Image Synthesis Tasks [59.638307505334076]
  我々は10,168個の画像からなる新しいデータセットを導入し,それぞれに知覚的アーティファクトラベルを付加した。 提案したデータセットに基づいてトレーニングされたセグメンテーションモデルは、さまざまなタスクにまたがるアーティファクトを効果的にローカライズする。 生成した画像の知覚的アーティファクトをシームレスに修正する,革新的なズームイン・インペインティングパイプラインを提案する。
  論文  参考訳（メタデータ） (2023-10-09T10:22:08Z)
• 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)
• Perceptual Artifacts Localization for Inpainting [60.5659086595901]
  そこで本研究では,知覚的アーティファクトの自動セグメンテーションの学習タスクを提案する。 データセット上で高度なセグメンテーションネットワークをトレーニングし、インペイントされた画像内のインペイントされたアーティファクトを確実にローカライズする。 また, 対象領域と対象領域全体との比率である知覚人工物比 (PAR) という新しい評価指標を提案する。
  論文  参考訳（メタデータ） (2022-08-05T18:50:51Z)
• Learning Co-segmentation by Segment Swapping for Retrieval and Discovery [67.6609943904996]
  この研究の目的は、一対のイメージから視覚的に類似したパターンを効率的に識別することである。 画像中のオブジェクトセグメントを選択し、それを別の画像にコピーペーストすることで、合成トレーニングペアを生成する。 提案手法は,Brueghelデータセット上でのアートワークの詳細検索に対して,明確な改善をもたらすことを示す。
  論文  参考訳（メタデータ） (2021-10-29T16:51:16Z)
• Hypersim: A Photorealistic Synthetic Dataset for Holistic Indoor Scene Understanding [8.720130442653575]
  Hypersimは、総合的な屋内シーン理解のための合成データセットである。 室内461のシーンを77,400枚生成し,詳細なピクセルごとのラベルとそれに対応する地平線形状を推定した。
  論文  参考訳（メタデータ） (2020-11-04T20:12:07Z)
• Intrinsic Autoencoders for Joint Neural Rendering and Intrinsic Image Decomposition [67.9464567157846]
  合成3Dモデルからリアルな画像を生成するためのオートエンコーダを提案し,同時に実像を本質的な形状と外観特性に分解する。 実験により, レンダリングと分解の併用処理が有益であることが確認され, 画像から画像への翻訳の質的, 定量的なベースラインよりも優れた結果が得られた。
  論文  参考訳（メタデータ） (2020-06-29T12:53:58Z)

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。