論文の概要: Measuring Similarity between Artistic and AI Generated Images using Siamese Neural Networks

• arxiv url: http://arxiv.org/abs/2608.28671v1
• Date: Mon, 24 Aug 2026 19:42:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-01 18:31:30.700876
• Title: Measuring Similarity between Artistic and AI Generated Images using Siamese Neural Networks
• Title（参考訳）: シームズニューラルネットワークを用いた芸術的画像とAI的画像の類似性の測定
• Abstract要約: この研究は、オリジナル作品とAI生成作品の類似性を定量化する。 凍結したCLIPエンコーダとコサイン類似性を三重項損失により最適化したSiamese Networksを使用する。
• 参考スコア（独自算出の注目度）: 0.06524460254566902
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: AI-generated art has sparked debates around potential plagiarism, as these images may closely resemble existing artworks. This research quantifies the similarity between original pieces and AI-generated counterparts, particularly those produced by the Stable Diffusion XL Refiner 1.0. We use Siamese Networks with frozen CLIP encoders and cosine similarity optimized through triplet loss. A dataset of paired original and generated images was built using image-to-image generation and custom prompts, enriched with semantic descriptors and BLIP-2 captions. Prior studies report up to 81\% style replication and 90\% visual similarity. Our results show high discriminative performance: training accuracy reached 99.9\%, and the best model configuration achieved 99.4\% test accuracy with strong inter-class separation ($δμ$ = 0.677), demonstrating the effectiveness of our semantic-visual embeddings.
• Abstract（参考訳）: AIが生成したアートは、既存のアートによく似ているため、盗作の可能性に関する議論を巻き起こしている。 この研究は、オリジナルの部品とAI生成するもの、特に安定拡散XL Refiner 1.0で作られたものとの類似性を定量化する。 凍結したCLIPエンコーダとコサイン類似性を三重項損失により最適化したSiamese Networksを使用する。 イメージ・ツー・イメージ生成とカスタム・プロンプトを使用して、セマンティック・ディスクリプタとBLIP-2キャプションに富んだ、ペア化されたオリジナル画像と生成された画像のデータセットを構築した。 以前の研究では、81 %のスタイルの複製と90 %の視覚的類似性が報告されていた。 トレーニング精度は99.9 %に達し,最高のモデル構成は99.4 %の精度でクラス間分離(δμ$ = 0.677)を実現し,セマンティック視覚埋め込みの有効性を実証した。

関連論文リスト

• Ghosts Beneath Textures: Texture-Relation Cues for Cross-Paradigm AI-Generated Image Detection [33.4849821487505]
  ConImageGenは、クロスパラダイムなAI生成イメージ検出のためのベンチマークである。 意味的干渉を抑えることによって、生成パラダイム全体にわたる意味論的無関係なテクスチャパターンを初めて可視化する。 DTS-Detは、一般化されたAI生成画像検出のための関係をキャプチャし、活用するフレームワークである。
  論文  参考訳（メタデータ） (2026-07-04T13:08:01Z)
• Semantic-aware Adversarial Fine-tuning for CLIP [32.894711409751956]
  1枚の画像と1枚の手作りテンプレートのコサイン類似性は、画像とテキストのペアの類似性を測定するのに不十分であることが示されている。 本稿では,セマンティック・アウェア・アウェア・アウェア・ファインタニング (SAFT) を提案し,CLIPのイメージエンコーダをセマンティック・アウェア AE で微調整する。
  論文  参考訳（メタデータ） (2026-02-12T22:40:42Z)
• CLIPure: Purification in Latent Space via CLIP for Adversarially Robust Zero-Shot Classification [65.46685389276443]
  画像とテキストプロンプトをマッチングすることでゼロショット分類を行うことができる、視覚言語で事前訓練されたエンコーダモデルであるCLIPについて検討する。 次に, 共分散精製プロセス間のKL分散として精製リスクを定式化する。 画像の潜伏ベクトルの確率をモデル化するCLI-Diffと、画像の埋め込みとaの写真とのコサイン類似度をモデル化するCLI-Cosの2つのバリエーションを提案する。
  論文  参考訳（メタデータ） (2025-02-25T13:09:34Z)
• Adaptive Hierarchical Graph Cut for Multi-granularity Out-of-distribution Detection [10.200872243175183]
  本稿では,配布外検知(OOD検出)という重要な課題に焦点をあてる。 これまでの作業はまともな成功を収めましたが、現実の挑戦的なアプリケーションには効果がありません。 本稿では,異なる画像間の意味的関係を探索するために,適応階層型グラフカットネットワーク(AHGC)を提案する。
  論文  参考訳（メタデータ） (2024-12-20T08:32:02Z)
• Parents and Children: Distinguishing Multimodal DeepFakes from Natural Images [60.34381768479834]
  近年の拡散モデルの発展により、自然言語のテキストプロンプトから現実的なディープフェイクの生成が可能になった。 我々は、最先端拡散モデルにより生成されたディープフェイク検出に関する体系的研究を開拓した。
  論文  参考訳（メタデータ） (2023-04-02T10:25:09Z)
• On the Applicability of Synthetic Data for Re-Identification [1.9634272907216732]
  この貢献は、データセット拡張のためのEPALパレットブロックの画像にGAN(Generative Adversarial Networks)を適用する可能性を示している。 1,004個のパレットブロックの画像がCycleGANを用いて生成された。 このシナリオの精度は、合成画像では最大88%、原画像では96%であった。
  論文  参考訳（メタデータ） (2022-12-20T09:27:48Z)
• CyCLIP: Cyclic Contrastive Language-Image Pretraining [34.588147979731374]
  ペア画像テキストデータに対するコントラスト表現学習の最近の進歩は、ゼロショット分類と分布ロバスト性のための最先端性能を達成するCLIPのようなモデルにつながっている。 我々は、標準のコントラスト目的によって学習された画像とテキストの表現が交換不可能であり、不整合な下流予測につながることを実証した。 画像やテキスト空間で幾何学的に一貫した表現を明示的に最適化するコントラスト表現学習フレームワークであるCyCLIPを提案する。
  論文  参考訳（メタデータ） (2022-05-28T15:31:17Z)
• Introspective Deep Metric Learning for Image Retrieval [80.29866561553483]
  良好な類似性モデルは、より堅牢なトレーニングのために曖昧なイメージをよりよく扱うように注意しながら、意味的な相違を考慮すべきである、と我々は主張する。 本稿では,画像の意味的特徴とあいまいさを記述した,意味的埋め込みだけでなく,付随する不確実性埋め込みを用いて画像を表現することを提案する。 提案したIDMLフレームワークは,不確実性モデリングによるディープメトリック学習の性能向上を実現し,広く使用されているCUB-200-2011,Cars196,Stanford Online Productsデータセットの最先端結果を得る。
  論文  参考訳（メタデータ） (2022-05-09T17:51:44Z)
• Ensembling with Deep Generative Views [72.70801582346344]
  生成モデルは、色やポーズの変化などの現実世界の変動を模倣する人工画像の「ビュー」を合成することができる。 そこで本研究では, 画像分類などの下流解析作業において, 実画像に適用できるかどうかを検討する。 StyleGAN2を再生増強の源として使用し、顔の属性、猫の顔、車を含む分類タスクについてこの設定を調査します。
  論文  参考訳（メタデータ） (2021-04-29T17:58:35Z)
• Seed the Views: Hierarchical Semantic Alignment for Contrastive Representation Learning [116.91819311885166]
  一つの画像から生成されたビューをtextbfCross-samples や Multi-level representation に拡張することで,階層的なセマンティックアライメント戦略を提案する。 提案手法はCsMlと呼ばれ,サンプル間の多層視覚表現を堅牢な方法で統合する機能を備えている。
  論文  参考訳（メタデータ） (2020-12-04T17:26:24Z)
• I Am Going MAD: Maximum Discrepancy Competition for Comparing Classifiers Adaptively [135.7695909882746]
  我々は、MAD(Maximum Discrepancy)コンペティションを命名する。 任意に大きいラベル付き画像のコーパスから小さなテストセットを適応的にサンプリングする。 結果のモデル依存画像集合に人間のラベルを付けると、競合する分類器の相対的な性能が明らかになる。
  論文  参考訳（メタデータ） (2020-02-25T03:32:29Z)
• Image Fine-grained Inpainting [89.17316318927621]
  拡張畳み込みの密結合を利用してより大きく効果的な受容場を得る一段階モデルを提案する。 この効率的なジェネレータをよく訓練するために、頻繁に使用されるVGG特徴整合損失を除いて、新しい自己誘導回帰損失を設計する。 また、局所的・グローバルな分枝を持つ識別器を用いて、局所的・グローバルな内容の整合性を確保する。
  論文  参考訳（メタデータ） (2020-02-07T03:45:25Z)

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。