論文の概要: Diffusion TV: Experiencing Diffusion Models through Tangible, Embodied Interaction
- arxiv url: http://arxiv.org/abs/2609.05404v1
- Date: Fri, 04 Sep 2026 17:51:48 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-07 18:15:24.148636
- Title: Diffusion TV: Experiencing Diffusion Models through Tangible, Embodied Interaction
- Title（参考訳）: 拡散テレビ: タンジブル・エボダイドインタラクションによる拡散モデルの実現
- Abstract要約: Diffusion TVはインタラクティブなAIアートインスタレーションで、修正されたCRT TVを通じて拡散モデルの具体的かつ具体的体験を提供する。
テレビのアンテナを物理的に操作することで、観客はAI生成画像と音の明瞭さを制御できる。
- 参考スコア（独自算出の注目度）: 1.7767466724342065
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Diffusion TV is an interactive AI art installation that offers a tangible and embodied experience of diffusion models through a modified CRT TV. By physically manipulating the TV's antenna, audiences control the clarity of AI-generated images and sounds, metaphorically enacting the denoising process that underlies diffusion-based generation. Using the tuning knob, participants switch between three channels featuring AI-generated animals from the Past (extinct species), Present (endangered species), and Future (speculative creatures), situating the interaction within a temporal and ecological narrative. Through continuous audiovisual feedback and physical interaction, Diffusion TV foregrounds the generative process over final outputs, allowing audiences to explore intermediate states as experiential material. Rather than providing explicit technical explanation, the work presents an alternative, embodied mode of explainable AI that invites exploratory engagement with and reflection on generative technologies.
- Abstract（参考訳）: Diffusion TVはインタラクティブなAIアートインスタレーションで、修正されたCRT TVを通じて拡散モデルの具体的かつ具体的体験を提供する。
テレビのアンテナを物理的に操作することで、観客はAIが生成した画像と音の明瞭さを制御し、拡散ベースの生成を下支えする妄想的なプロセスを実行する。
チューニングノブを用いて、参加者は過去(現生種)、現在(絶滅危惧種)、未来(絶滅危惧種)のAI生成動物を含む3つのチャネルを切り替え、時間的・生態的な物語の中で相互作用を集中させる。
連続的な視聴覚フィードバックと物理的相互作用を通じて、ディフュージョンTVは最終出力よりも生成過程を先導し、観客は実験的な素材として中間状態を探索することができる。
この研究は、明示的な技術的説明を提供するのではなく、探索的な関与を招待し、生成技術に反映する、説明可能なAIの、代替の具体的モードを提示している。
関連論文リスト
- The Attention Triangle in Audio-Video Models [67.46972888113658]
音声・ビデオ拡散モデルは、テキスト、音声、視覚内容の調整にモーダルな注意を頼っているが、この機構は微妙で体系的な意味的漏洩をもたらす可能性がある。
テキスト,音声,ビデオストリームを接続する3つの横断的エッジからなる「注意三角形」を探索し,解析することにより,これらのモデルについて検討する。
音声は映像生成に影響を及ぼし、ビデオは音声生成に影響を及ぼす。
論文 参考訳（メタデータ） (2026-09-03T09:33:27Z) - Real-Time AttentionBender: Granular Interactive Network Bending of Video Diffusion Transformers [2.0697105762666324]
Real-Time AttentionBenderは、ビデオ拡散変換器(DiT)の全深度にわたるネットワーク曲げのプラクティスを拡張するツールである。
セルフアテンション、クロスアテンション、フィードフォワードネットワークを独立して操作可能な表面として公開する。
ライブ操作の即時性は、我々がモデルに対して「物質的親密性」と呼ぶものを提供する。
論文 参考訳（メタデータ） (2026-04-24T12:40:58Z) - Astra: General Interactive World Model with Autoregressive Denoising [73.6594791733982]
Astraはインタラクティブな汎用世界モデルであり、多様なシナリオのために現実世界の未来を生成する。
本稿では,自己回帰型認知型アーキテクチャを提案し,時間的因果的注意を用いて過去の観測を集約する。
Astraはインタラクティブで一貫性があり、一般的な長期的なビデオ予測を実現し、様々な形式のインタラクションをサポートする。
論文 参考訳（メタデータ） (2025-12-09T18:59:57Z) - Implicit Counterfactual Learning for Audio-Visual Segmentation [50.69377287012591]
我々は,非バイアスの相互理解を実現するために,暗黙の対実的枠組み(ICF)を提案する。
意味論の欠如により、異種表現は誤った一致につながる可能性がある。
モダリティ共有空間を確立するために,ビデオ,セグメント,フレームレベルを含む多粒性暗黙テキスト(MIT)をブリッジとして導入する。
論文 参考訳（メタデータ） (2025-07-28T11:46:35Z) - FauForensics: Boosting Audio-Visual Deepfake Detection with Facial Action Units [40.86547778808649]
本稿では,オーディオ・ビジュアル・ディープフェイク検出のためのFauForensicsという新しいフレームワークを提案する。
本手法は, フレーム単位の音響視覚的類似性を, 専用の融合モジュールを用いて計算する。
FakeAVCelebとLAV-DFの実験では、最先端(SOTA)性能と、平均4.83%のクロスデータセットの一般化性が示された。
論文 参考訳（メタデータ） (2025-05-13T07:18:07Z) - ACDiT: Interpolating Autoregressive Conditional Modeling and Diffusion Transformer [95.80384464922147]
ACDiTはブロックワイド条件拡散変換器である。
トークン単位の自己回帰とフルシーケンス拡散のフレキシブルな関係を提供する。
本稿では,映像生成タスクにおける自己回帰ベースラインの中で,ACDiTが最良であることを示す。
論文 参考訳（メタデータ） (2024-12-10T18:13:20Z) - SOWing Information: Cultivating Contextual Coherence with MLLMs in Image Generation [29.49217721233131]
拡散生成モデルは、デノイング軌道に沿ったデータ空間におけるランダムウォークをシミュレートする。
これにより、情報は地域間で拡散し、結果をもたらす。
しかし、拡散モデルにおける情報拡散のカオス的・乱れた性質は、しばしば画像領域間の望ましくない干渉を引き起こし、劣化した詳細保存と文脈的矛盾を引き起こす。
画像全体を通して視覚的・意味的コヒーレンスを維持しつつ、画素レベルの条件忠実性を達成するために、乱れた拡散をテキストビジョン・画像生成(TV2I)タスクの強力なツールとして再定義する。
論文 参考訳（メタデータ） (2024-11-28T14:35:25Z) - EmotiveTalk: Expressive Talking Head Generation through Audio Information Decoupling and Emotional Video Diffusion [49.55774551366049]
拡散モデルは、会話のヘッドジェネレーションの分野に革命をもたらしたが、長期的には表現性、制御可能性、安定性に課題に直面している。
これらの問題に対処するためのEmotiveTalkフレームワークを提案する。
実験結果から,EmotiveTalkは表現力のある対話型ヘッドビデオを生成することができ,長時間発生時の感情の制御性と安定性を保証できることがわかった。
論文 参考訳（メタデータ） (2024-11-23T04:38:51Z) - Training-Free Semantic Video Composition via Pre-trained Diffusion Model [96.0168609879295]
現在のアプローチは、主に前景の色と照明を調整したビデオで訓練されており、表面的な調整以上の深い意味の相違に対処するのに苦労している。
本研究では,事前知識を付加した事前学習拡散モデルを用いた学習自由パイプラインを提案する。
実験の結果,我々のパイプラインは出力の視覚的調和とフレーム間のコヒーレンスを確実にすることがわかった。
論文 参考訳（メタデータ） (2024-01-17T13:07:22Z) - APLA: Additional Perturbation for Latent Noise with Adversarial Training Enables Consistency [9.07931905323022]
拡散モデルに基づく新しいテキスト・ツー・ビデオ(T2V)生成ネットワーク構造を提案する。
提案手法では,1本の動画を入力として必要とせず,事前学習した安定拡散ネットワーク上に構築する。
我々は、変換器と畳み込みのハイブリッドアーキテクチャを活用して、時間的複雑さを補償し、ビデオ内の異なるフレーム間の一貫性を向上させる。
論文 参考訳（メタデータ） (2023-08-24T07:11:00Z) - A Survey on Audio Diffusion Models: Text To Speech Synthesis and
Enhancement in Generative AI [64.71397830291838]
生成AIは様々な分野で印象的な性能を示しており、音声合成は興味深い方向である。
拡散モデルを最も一般的な生成モデルとし、テキストから音声への拡張と音声への拡張という2つのアクティブなタスクを試みている。
本研究は,既存の調査を補完する音声拡散モデルに関する調査を行う。
論文 参考訳（メタデータ） (2023-03-23T15:17:15Z) - Taming Diffusion Models for Audio-Driven Co-Speech Gesture Generation [41.292644854306594]
DiffGesture (DiffGesture) という,拡散に基づく新しいフレームワークを提案する。
DiffGestureは、より優れたモードカバレッジとより強力なオーディオ相関を備えたコヒーレントなジェスチャーをレンダリングする、最先端のパフォーマンスを実現する。
論文 参考訳（メタデータ） (2023-03-16T07:32:31Z)
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。