論文の概要: Style or Signature? Artist-Disjoint Evaluation of Style Classification in Frozen Vision Embeddings

• arxiv url: http://arxiv.org/abs/2608.14435v1
• Date: Fri, 14 Aug 2026 16:18:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-17 20:14:29.440092
• Title: Style or Signature? Artist-Disjoint Evaluation of Style Classification in Frozen Vision Embeddings
• Title（参考訳）: スタイルかシグナチャか? : 凍結型視覚埋め込みにおけるスタイル分類のアーティスト・ディジョイントによる評価
• Abstract要約: 精度は、スタイルの理解や個々のアーティストの認識を反映しているかどうかを問う。 我々は,アーティスト・ディスジョイントプロトコルの下で,スタイル分類を再評価する。 印象主義とキュービズムはほとんど動きませんが、シュルレアリスムは20ポイント落ちます。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Frozen image embeddings from models such as CLIP are increasingly used to classify paintings by art-historical style, with high reported accuracy. We ask whether this accuracy reflects an understanding of style or the recognition of individual artists. Standard evaluation uses random splits in which works by the same artist appear on both sides, so a classifier can succeed by recognising the painter rather than the movement. We re-evaluate style classification under an artist-disjoint protocol, holding out every artist in turn so that no work is ever classified using other works by its own painter. On a balanced dataset of 320 paintings across four twentieth-century movements, 5-NN style accuracy falls from 0.87 to 0.77 under this protocol, and the drop is sharply uneven. Impressionism and Cubism barely move, while Surrealism falls twenty points. The pattern holds across four image encoders, including a vision-only self-supervised model, which places the effect in visual structure rather than language. Where an encoder captures genuine shared form, individual artists are barely recognisable yet style is robust, while Surrealism shows the opposite. We argue that artist-disjoint evaluation is necessary to measure stylistic understanding in frozen embeddings.
• Abstract（参考訳）: CLIPのようなモデルからの凍結画像の埋め込みは、高い精度で美術史的なスタイルで絵画を分類するためにますます使われている。 この精度は、スタイルの理解や個々のアーティストの認識を反映しているかどうかを問う。 標準的な評価では、同じアーティストの作品が両側に現れるランダムスプリットを使用するため、ムーブメントよりも画家を認識することで、分類器が成功する。 我々は、芸術家が参加しないプロトコルの下で、スタイルの分類を再評価し、すべてのアーティストを順番に保持し、どの作品も自身の画家によって他の作品を使って分類されることはないようにした。 20世紀の4つの動きにまたがる320枚の絵画のバランスの取れたデータセットでは、5-NNスタイルの精度はこのプロトコルの下で0.87から0.77に低下し、落下は著しく不均一である。 印象主義とキュービズムはほとんど動きませんが、シュルレアリスムは20ポイント落ちます。 このパターンは、4つの画像エンコーダにまたがっており、視覚のみの自己教師型モデルが含まれており、その効果は言語ではなく視覚構造に置かれている。 エンコーダが本物の共有フォームをキャプチャする際、個々のアーティストはほとんど認識できないが、スタイルは頑丈である。 我々は,凍結埋没時の構造的理解を評価するためには,アーティストの不随性評価が必要であると論じる。

関連論文リスト

• 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)
• Identifying Prompted Artist Names from Generated Images [59.34482128911978]
  テキスト・ツー・イメージの一般的な使用法は、アーティストを明示的に命名することで画像を生成することである。 本稿では,プロンプトアーティスト認識のためのベンチマークを紹介する。 データセットには110人のアーティストをカバーする195万の画像が含まれている。
  論文  参考訳（メタデータ） (2025-07-24T17:59:44Z)
• ArtistAuditor: Auditing Artist Style Pirate in Text-to-Image Generation Models [61.55816738318699]
  本稿では,テキスト・画像生成モデルにおける新しいデータ利用監査手法を提案する。 ArtistAuditorは、多彩なスタイルの表現を得るためにスタイル抽出器を使用し、アートワークをアーティストのスタイルのサンプリングとして扱う。 6つのモデルとデータセットの組み合わせによる実験結果は、ArtistAuditorが高いAUC値を達成可能であることを示している。
  論文  参考訳（メタデータ） (2025-04-17T16:15:38Z)
• Learning Artistic Signatures: Symmetry Discovery and Style Transfer [8.288443063900825]
  芸術様式の明確な定義はない。 スタイルは、局所的なテクスチャの配置を規定するグローバルな対称性のセットと考えるべきである。 局所的特徴とグローバル的特徴の両方を考慮し、リージェネレータと従来のテクスチャ尺度の両方を用いて、どちらの特徴セットよりもアーティスト間のスタイル的類似性を定量的に捉えることができることを示す。
  論文  参考訳（メタデータ） (2024-12-05T18:56:23Z)
• FedStyle: Style-Based Federated Learning Crowdsourcing Framework for Art Commissions [3.1676484382068315]
  FedStyleはスタイルベースのフェデレーション学習クラウドソーシングフレームワークである。 アーティストは、コラボレーションのためのアートワークではなく、ローカルスタイルのモデルをトレーニングし、モデルパラメータを共有することができる。 アーティストに抽象的なスタイルの表現を学習させ、サーバと整合させることで、極端なデータ不均一性に対処する。
  論文  参考訳（メタデータ） (2024-04-25T04:53:43Z)
• Rethinking Artistic Copyright Infringements in the Era of Text-to-Image Generative Models [47.19481598385283]
  ArtSavantは、ウィキアートの作品の参照データセットと比較することで、アーティストのユニークなスタイルを決定するツールである。 そこで我々は,3つの人気テキスト・画像生成モデルにまたがる芸術的スタイルの複製の頻度を定量的に把握するために,大規模な実証的研究を行った。
  論文  参考訳（メタデータ） (2024-04-11T17:59:43Z)
• 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)
• Glaze: Protecting Artists from Style Mimicry by Text-to-Image Models [38.92567577109414]
  Glazeは、アーティストがオンラインで共有する前に「スタイルクローク」を自分のアートに適用できるツールである。 これらのマントは画像にほとんど知覚できない摂動を適用し、訓練データとして使われると、特定のアーティストを模倣しようとする生成モデルを誤解させる。
  論文  参考訳（メタデータ） (2023-02-08T17:45:23Z)
• Inversion-Based Style Transfer with Diffusion Models [78.93863016223858]
  以前の任意の例として誘導された芸術的画像生成法は、しばしば形状変化の制御や要素の伝達に失敗する。 画像のキー情報を効率よく正確に学習できるインバージョンベースのスタイル転送手法(InST)を提案する。
  論文  参考訳（メタデータ） (2022-11-23T18:44:25Z)
• Quantifying Confounding Bias in Generative Art: A Case Study [3.198144010381572]
  本研究では,美術作品の学習スタイルにおける芸術運動の影響のモデル化が欠如していることから,難解なバイアスを定量化するための簡易な指標を提案する。 提案手法は,芸術作品における芸術運動の影響を理解する上で,最先端の外れ値検出法よりも有効である。
  論文  参考訳（メタデータ） (2021-02-23T21:59:30Z)

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。