論文の概要: Data-Driven Glyph Positioning for Handwritten Music Synthesis

• arxiv url: http://arxiv.org/abs/2610.28899v1
• Date: Tue, 20 Oct 2026 20:25:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-23 09:50:43.220747
• Title: Data-Driven Glyph Positioning for Handwritten Music Synthesis
• Title（参考訳）: 手書き音楽合成のためのデータ駆動グリフ位置決め
• Abstract要約: Smashcimaは、グリフ画像をサンプリングし、ハードコードされたルールで位置決めすることで手書きのスコアを組み立てるフレームワークである。 本研究では,これらのルールが経験的に根拠付けられているか,文脈依存的位置決めの学習モデルにより合成品質が向上するか否かを問う。 我々は、音楽表記グラフ構造上にグラフニューラルネットワーク(GNN)をトレーニングし、文脈依存のオフセットを予測し、ステムやビームに対して50～85%のRMSE削減を達成する。
• 参考スコア（独自算出の注目度）: 0.22553944180842533
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Synthesised data is a common strategy to address the lack of annotated handwritten music scores in Optical Music Recognition (OMR). Smashcima is a recent synthesis framework that assembles pages of handwritten scores by sampling glyph images from MUSCIMA++ and positioning them with hard-coded rules. In this work we ask whether these rules are grounded empirically and whether a learned model for context-dependent positioning can further improve synthesis quality. We extract inter-glyph distributions from around 285 thousand annotated relationships across MUSCIMA++ and OmniOMR, finding that several key parameters deviate systematically from real handwriting. Replacing these constants with empirical means reduces positioning RMSE by up to 60%. We then train a Graph Neural Network (GNN) on the Music Notation Graph structure to predict context-dependent offsets, achieving an additional 50 to 85% RMSE reduction on stems and beams by modelling how neighbouring glyphs constrain placement. Cross-dataset analysis shows that spacing differences between the two corpora are explained by note density (3.3), not style, and that duration-proportional spacing does not hold in handwriting (R2 = 0.001). In downstream evaluation, a YOLOv8 detector pretrained on GNN-positioned synthetic data achieves +30% mAP50 over the baseline and +11% over empirical means when fine-tuned on 200 real handwritten staves, showing that positioning accuracy matters for downstream OMR.
• Abstract（参考訳）: 合成データは光学音楽認識(OMR)における注釈付き手書き楽譜の欠如に対処するための一般的な戦略である。 Smashcimaは、MUSCIMA++のグリフ画像をサンプリングし、ハードコードされたルールで配置することで手書きのスコアのページを組み立てる、最近の合成フレームワークである。 本研究では,これらのルールが経験的に根拠付けられているか,文脈依存的位置決めの学習モデルにより合成品質が向上するか否かを問う。 MUSCIMA++とOmniOMRにまたがる約285万の注釈付き関係からグリフ間分布を抽出し、いくつかの重要なパラメータが実際の手書きから体系的に逸脱していることを発見した。 これらの定数を経験的に置き換えることでRMSEの位置を最大60%減少させる。 次に、音楽表記グラフ構造上のグラフニューラルネットワーク(GNN)をトレーニングし、近傍のグリフの配置をモデル化することで、幹細胞やビームに50～85%のRMSE削減を実現する。 クロスデータセット解析により、2つのコーパス間の間隔の差は音高(3.3)によって説明され、スタイルではなく、持続時間比の間隔は手書きでは保持されない(R2 = 0.001)。 下流評価では、GNNの合成データで事前訓練されたYOLOv8検出器は、200個の実手書きステーブで微調整された場合、ベースラインで+30% mAP50、実験で+11%の精度で達成し、下流のOMRでは位置決め精度が重要であることを示した。

関連論文リスト

• Rethinking Message Passing as Retrieval for Text-Attributed Graph Learning [63.602658976990874]
  グラフニューラルネットワーク(GNN)は通常、メッセージパッシングニューラルネットワークとして概念化されている。 本稿では,GNNの検索拡張ビューについて述べる。各レイヤは,検索したグラフコンテキストの置換インサマリとともに,ノード表現に変分を適用して予測を行う。 この観点から、構造的メッセージパッシングをラベル認識検索と伝搬に置き換えるシンプルな集約ベースのフレームワークであるRTAを提案する。
  論文  参考訳（メタデータ） (2026-08-27T07:25:44Z)
• A Dynamic-Semantics Framework for Grounding Human Referring Expressions in Visual Perceptual Data [0.0]
  本稿では,パクト状態を3つの明示的で検査可能な参照オブジェクトバインディングに外部化するフレームワークを提案する。 スタンフォード・リピート・レファレンス・ゲーム・コーパス(Stanford Repeated Reference Game corpus)のフレームワークについて検討した。
  論文  参考訳（メタデータ） (2026-08-09T12:14:10Z)
• SciFigAlign: Scoring Scientific Figures by Fine-tuned Alignment of Visuals with Manuscript Evidence [7.2640055022009635]
  SciFigAlignは,原稿証拠の質評価を基礎とした微調整型マルチモーダルスコアラーである。 紙レベルでの分割では、SciFigAlignは0.3524のマクロMAEを達成し、テストセット上では紙内ペアの精度は81.64%である。
  論文  参考訳（メタデータ） (2026-07-29T15:54:14Z)
• When Design Rules Break: Benchmark Composition Determines Whether Label Informativeness Predicts GNN Aggregator Choice [2.1067460775364286]
  グラフニューラルネットワーク(GNN)設計規則は、ベンチマークファミリにまたがって一般化される。 我々は、引用、異好性、LINKX Facebook-100、共購入、共オーサシップグラフにまたがる24のノード分類データセットに対して、アグリゲータ選択(sum, mean, max)について検討した。 以上の結果から, 設計規則が一般化するか否かは, 数値的不整合ではなく, ベンチマーク組成によって決定される可能性が示唆された。
  論文  参考訳（メタデータ） (2026-06-08T23:36:14Z)
• Transcoda: End-to-End Zero-Shot Optical Music Recognition via Data-Centric Synthetic Training [13.569431145803792]
  i) 高度な合成データ生成パイプライン上に構築されたOMRシステムであるTranscoda, (ii) 独自の正規形式を強制する*kernエンコーディングの正規化, (iii) 出力の構文的正しさを保証する文法に基づく復号化を提案する。 Transcodaは18.46%のOMR-NED(次のベストシステムであるLegotoで43.91%に比較)で新たにキュレートされたOMR-NED(OMR-NED)のベンチマークで、過去のポーランドのスキャンのエラー率を63.97%に下げた。
  論文  参考訳（メタデータ） (2026-05-11T16:50:28Z)
• FW-GAN: Frequency-Driven Handwriting Synthesis with Wave-Modulated MLP Generator [4.94997283141601]
  FW-GANは、1つの例から現実的な書き手一貫性のあるテキストを生成するワンショット手書き合成フレームワークである。 我々のジェネレータは、位相対応のWave-MLPを統合し、微妙なスタイリスティックな手がかりを保ちながら、空間的関係をよりよく捉えている。 ベトナム語と英語の筆跡データセットの実験は、FW-GANが高品質でスタイルに一貫性のある筆跡を生成することを示した。
  論文  参考訳（メタデータ） (2025-08-28T17:44:52Z)
• Chasing Fairness in Graphs: A GNN Architecture Perspective [73.43111851492593]
  グラフニューラルネットワーク(GNN)の統一最適化フレームワーク内で設計されたtextsfFair textsfMessage textsfPassing(FMP)を提案する。 FMPでは、アグリゲーションがまず隣人の情報を活用するために採用され、バイアス軽減ステップにより、人口集団ノードのプレゼンテーションセンタが明示的に統合される。 ノード分類タスクの実験により、提案されたFMPは、実世界の3つのデータセットの公平性と正確性の観点から、いくつかのベースラインを上回っていることが示された。
  論文  参考訳（メタデータ） (2023-12-19T18:00:15Z)
• Bridging Synthetic and Real Worlds for Pre-training Scene Text Detectors [54.80516786370663]
  FreeRealは、SDと実際のデータの相補的な強みを可能にする、実際のドメイン整合型事前トレーニングパラダイムである。 GlyphMixは、合成画像を落書きのようなユニットとして実際の画像に埋め込む。 FreeRealは、4つの公開データセットで、既存の事前トレーニングメソッドよりも大幅にパフォーマンスが向上している。
  論文  参考訳（メタデータ） (2023-12-08T15:10:55Z)
• FactGraph: Evaluating Factuality in Summarization with Semantic Graph Representations [114.94628499698096]
  文書と要約を構造化された意味表現(MR)に分解するFactGraphを提案する。 MRは、コアセマンティックの概念とその関係を記述し、文書と要約の両方の主要な内容を標準形式で集約し、データの疎結合を減少させる。 事実性を評価するための異なるベンチマークの実験では、FactGraphは以前のアプローチよりも最大15%優れていた。
  論文  参考訳（メタデータ） (2022-04-13T16:45:33Z)
• Span Pointer Networks for Non-Autoregressive Task-Oriented Semantic Parsing [55.97957664897004]
  seq2seq、非自動回帰的、タスク指向を構築するための効果的なレシピは、3つのステップで発話とセマンティックフレームをマッピングする。 これらのモデルは通常、長さ予測によってボトルネックとなる。 本研究では,デコードタスクをテキスト生成からスパン予測へシフトさせる非自己回帰手法を提案する。
  論文  参考訳（メタデータ） (2021-04-15T07:02:35Z)

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。