論文の概要: Beyond Explicit Intent: Discovering and Shaping Artistic Intent through Human-AI Co-Creation

• arxiv url: http://arxiv.org/abs/2610.24010v1
• Date: Thu, 15 Oct 2026 19:59:31 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-10-20 11:55:55.67225
• Title: Beyond Explicit Intent: Discovering and Shaping Artistic Intent through Human-AI Co-Creation
• Title（参考訳）: 明示的インテントを超えて:人間とAIの共起によるアートインテントの発見と形成
• Abstract要約: 我々は,明示的な意図表現を超越した,人間とAIの共創パラダイムを提案する。 アーティストをさまざまな視覚的可能性に公開し、これまで未発表だった好みを識別できるようにします。 これは、芸術的意図が徐々に発見される連続的な「明示的アイデンティティ・形状・再発見」ループを生み出す。
• 参考スコア（独自算出の注目度）: 12.291959317204638
• License:
• Abstract: Generative AI is becoming an important medium for artistic creation, yet existing interactions often assume that creators can specify intentions in advance and accurately communicate them through text prompts. Artistic intentions, however, may be vague, latent, or recognizable only after seeing concrete visual possibilities. We propose a human-AI co-creation paradigm beyond explicit intent expression. By expanding model exploration, we expose artists to diverse visual possibilities, allowing them to identify previously unarticulated preferences through observation, comparison, and selection. We then integrate artists' curatorial judgments into reinforcement learning, assigning different learning strengths based on preferences over generation trajectories, so recognized directions are more strongly reinforced and the model gradually adapts to individual aesthetics. This creates a continuous "explore-identify-shape-re-explore" loop in which artistic intent is progressively discovered, externalized, and shaped. Through three user studies, we examine latent-preference discovery, personalized preference alignment, and the externalization of vague, difficult-to-express creative intentions.
• Abstract（参考訳）: 生成AIは、芸術的創造にとって重要な媒体になりつつあるが、既存の相互作用は、創造者が事前に意図を指定し、テキストプロンプトを通じてそれらを正確に伝達できると仮定することが多い。 しかし、芸術的意図は、具体的視覚的可能性を見た後にのみ曖昧、遅滞、あるいは認識できるかもしれない。 我々は,明示的な意図表現を超越した,人間とAIの共創パラダイムを提案する。 モデル探索を拡大することにより、アーティストを様々な視覚的可能性に公開し、観察、比較、選択を通じて、これまで説明されていなかった好みを識別することができる。 そこで我々は,アーティストのカリキュラム判断を強化学習に統合し,世代軌跡の選好に基づいて異なる学習強度を割り当て,認識方向がより強くなり,個々の美学に徐々に適応する。 これは、芸術的意図が徐々に発見され、外化され、形づくられる連続した「明示的アイデンティティ・形状・再発見」ループを生み出す。 3つのユーザスタディを通じて、遅延参照発見、パーソナライズされた嗜好アライメント、曖昧で表現が難しい創造的意図の外部化について検討した。

関連論文リスト

• Simple Lines, Big Ideas: Towards Interpretable Assessment of Human Creativity from Drawings [18.09092203643732]
  図面からの自動的かつ解釈可能な創造性評価のためのデータ駆動型フレームワークを提案する。 6]で提案された認知的エビデンスにより、創造性は、引き出されたもの(コンテンツ)と引き出されたもの(スタイル)の両方から生ずることができ、創造性スコアをこれら2つの相補的な次元の関数として再解釈する。
  論文  参考訳（メタデータ） (2025-11-17T02:16:01Z)
• VLM-Guided Adaptive Negative Prompting for Creative Generation [21.534474554320823]
  創造的生成(Creative generation)とは、ユーザの意図を反映する新しい、驚き、価値あるサンプルを事前に想像できない形で合成することである。 本稿では,VLM-Guided Adaptive Negative-Promptingを提案する。 創造的ノベルティにおいて,計算オーバーヘッドの無視による一貫した向上を示す。
  論文  参考訳（メタデータ） (2025-10-12T17:34:59Z)
• Aesthetic Experience and Educational Value in Co-creating Art with Generative AI: Evidence from a Survey of Young Learners [1.9863718017611578]
  本研究は,若手学生と美術学生を対象に,創造的人工知能(AI)を用いたコラボレーションアート作成の美的経験と教育的価値について検討した。 本研究では,112人の参加者を対象に,人間の創造者の役割の再交渉,従来の独創性概念への挑戦,人間-AI共創における美的判断の形成について検討する。
  論文  参考訳（メタデータ） (2025-09-11T17:55:46Z)
• ThematicPlane: Bridging Tacit User Intent and Latent Spaces for Image Generation [49.805992099208595]
  ThematicPlaneは,ユーザが高レベルのセマンティック概念をナビゲートし操作できるシステムである。 このインターフェースは、暗黙の創造意図とシステム制御のギャップを埋める。
  論文  参考訳（メタデータ） (2025-08-08T06:57:14Z)
• Alien Recombination: Exploring Concept Blends Beyond Human Cognitive Availability in Visual Art [90.8684263806649]
  視覚芸術の創造において、AIが人間の認知的限界を超越する方法を示します。 我々の研究は、視覚芸術には膨大な未探索の概念的組み合わせが含まれているという仮説を立てている。 本稿では,人間の認知能力を超えた概念の組み合わせを同定し,生成するエイリアン組換え法を提案する。
  論文  参考訳（メタデータ） (2024-11-18T11:55:38Z)
• Diffusion-Based Visual Art Creation: A Survey and New Perspectives [51.522935314070416]
  本調査は,拡散に基づく視覚芸術創造の新たな領域を探求し,その発展を芸術的,技術的両面から検討する。 本研究は,芸術的要件が技術的課題にどのように変換されるかを明らかにし,視覚芸術創造における拡散法の設計と応用を強調した。 我々は、AIシステムが芸術的知覚と創造性において人間の能力をエミュレートし、潜在的に増強するメカニズムに光を当てることを目指している。
  論文  参考訳（メタデータ） (2024-08-22T04:49:50Z)
• Self-Explainable Affordance Learning with Embodied Caption [63.88435741872204]
  具体的キャプションを具現化したSelf-Explainable Affordance Learning (SEA)を紹介する。 SEAは、ロボットが意図を明確に表現し、説明可能な視覚言語キャプションと視覚能力学習のギャップを埋めることを可能にする。 本稿では, 簡便かつ効率的な方法で, 空き地と自己説明を効果的に組み合わせた新しいモデルを提案する。
  論文  参考訳（メタデータ） (2024-04-08T15:22:38Z)
• Visual Knowledge in the Big Model Era: Retrospect and Prospect [63.282425615863]
  視覚知識は、視覚概念とその関係を簡潔で包括的で解釈可能な方法でカプセル化できる新しい知識表現である。 視覚世界に関する知識は、人間の認知と知性にとって欠かせない要素として認識されているため、視覚知識は、機械知性を確立する上で重要な役割を担っていると考えられる。
  論文  参考訳（メタデータ） (2024-04-05T07:31:24Z)
• WenLan 2.0: Make AI Imagine via a Multimodal Foundation Model [74.4875156387271]
  我々は,膨大なマルチモーダル(視覚的・テキスト的)データを事前学習した新しい基礎モデルを開発する。 そこで本研究では,様々な下流タスクにおいて,最先端の成果が得られることを示す。
  論文  参考訳（メタデータ） (2021-10-27T12:25:21Z)

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。