論文の概要: Forging Emotions: a deep learning experiment on emotions and art

• arxiv url: http://arxiv.org/abs/2610.32163v1
• Date: Fri, 23 Oct 2026 04:54:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 01:38:06.391846
• Title: Forging Emotions: a deep learning experiment on emotions and art
• Title（参考訳）: 鍛造感情:感情と芸術の深層学習実験
• Abstract要約: 本稿では、視覚的感情データセットと、視覚的感情生成のためのGANの作業プロセスについて検討する。 コンピュータサイエンス研究者が、感情のような高レベルの概念を記述するためのイメージデータセットを構築するのに用いた方法論は不十分である、と結論付けている。 研究は、真に新しい作曲を生み出すために、訓練されたGANと作曲されたGANの構造を理解することを目的としている。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Affective computing is an interdisciplinary field that studies computational methods that relate to or influence emotion. These methods have been applied to interactive media artworks, but they have focused on affect detection rather than affect generation. For affect generation, computationally creative methods need to be explored that have recently been driven by the use of Generative Adversarial Networks (GANs), a deep learning method. The experiment presented in this paper, Forging Emotions, explores the use of visual emotion datasets and the working processes of GANs for visual affect generation, that is, for generating images that can convey or trigger specified emotions. This experiment concludes that the methodology used so far by computer science researchers to build image datasets for describing high-level concepts such as emotions is insufficient and proposes utilizing emotional networks of associations according to psychology research. Forging Emotions also concludes that to generate affect visually, merely corresponding to basic psychology findings, such as bright or dark colours, does not seem adequate. Therefore, research efforts should aim to understand the structure of trained GANs and compositional GANs in order to produce genuinely novel compositions that can convey or trigger emotions through the subject matter of generated images.
• Abstract（参考訳）: アフェクティブ・コンピューティング(Affective Computing)は、感情に関連する、あるいは影響を及ぼす計算方法を研究する学際分野である。 これらの方法はインタラクティブなメディアアートワークに適用されているが、生成に影響を与えるのではなく、検出に影響を与えることに重点を置いている。 影響発生のためには、近年、ディープラーニング手法であるGAN(Generative Adversarial Networks)を用いて、計算的に創造的な手法を探索する必要がある。 本稿では、視覚的感情データセットと、視覚的感情生成のためのGANの作業プロセス、すなわち、特定の感情を伝達したり、引き起こしたりできる画像を生成するために、Forging Emotionsを用いて実験を行った。 この実験は、コンピュータサイエンス研究者が感情などの高レベルの概念を記述するためのイメージデータセットを構築するのに用いた手法が不十分であると結論付け、心理学的な研究に基づいて関連性の感情ネットワークを活用することを提案する。 フォージング感情はまた、視覚的に影響を生み出すには、明るい色や暗い色のような基本的な心理学的な発見に対応するだけでは不十分であると結論付けている。 したがって, 学習されたGANと合成GANの構造を理解することを目指して, 生成した画像の主題を通して感情を伝達・引き起こすことのできる, 真に新しい構成を創出する必要がある。

関連論文リスト

• Affective Image Editing: Shaping Emotional Factors via Text Descriptions [46.13506671212571]
  AIEdiT for Affective Image Editing using Text descriptions。 我々は、連続的な感情スペクトルを構築し、ニュアンスな感情的要求を抽出する。 AIEdiTは、ユーザの感情的な要求を効果的に反映して、優れたパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2025-05-24T13:46:57Z)
• Disentangle Identity, Cooperate Emotion: Correlation-Aware Emotional Talking Portrait Generation [63.94836524433559]
  DICE-Talkは、感情と同一性を切り離し、類似した特徴を持つ感情を協調するフレームワークである。 我々は、モーダル・アテンションを通して、音声と視覚の感情の手がかりを共同でモデル化するアンタングル型感情埋め込み装置を開発した。 次に,学習可能な感情バンクを用いた相関強化感情調和モジュールを提案する。 第3に、拡散過程における感情の一貫性を強制する感情識別目標を設計する。
  論文  参考訳（メタデータ） (2025-04-25T05:28:21Z)
• EmotiCrafter: Text-to-Emotional-Image Generation based on Valence-Arousal Model [23.26111054485357]
  連続感情画像コンテンツ生成(C-EICG)の新たな課題について紹介する。 本稿では,テキストプロンプトとValence-Arousal値に基づいて画像を生成する感情画像生成モデルであるEmotiCrafterを提案する。
  論文  参考訳（メタデータ） (2025-01-10T04:41:37Z)
• Affection: Learning Affective Explanations for Real-World Visual Data [50.28825017427716]
  我々は,85,007枚の公開画像に対して,感情反応と自由形式のテキスト説明を含む大規模データセットを研究コミュニティに導入し,共有する。 本研究は, 被写体集団に大きな支持を得て, 潜在的に有意な感情反応をとらえる上で, 重要な共通基盤があることを示唆する。 私たちの研究は、より豊かで、より人間中心で、感情に敏感な画像分析システムへの道を開くものです。
  論文  参考訳（メタデータ） (2022-10-04T22:44:17Z)
• SOLVER: Scene-Object Interrelated Visual Emotion Reasoning Network [83.27291945217424]
  画像から感情を予測するために,SOLVER(Scene-Object Interrelated Visual Emotion Reasoning Network)を提案する。 異なるオブジェクト間の感情関係を掘り下げるために、まずセマンティックな概念と視覚的特徴に基づいて感情グラフを構築します。 また、シーンとオブジェクトを統合するScene-Object Fusion Moduleを設計し、シーンの特徴を利用して、提案したシーンベースのアテンションメカニズムでオブジェクトの特徴の融合プロセスを導出する。
  論文  参考訳（メタデータ） (2021-10-24T02:41:41Z)
• AffectGAN: Affect-Based Generative Art Driven by Semantics [2.323282558557423]
  本稿では,特定の感情状態を表す芸術的画像を生成する新しい手法を提案する。 我々のAffectGANモデルは、特定の意味的プロンプトや意図された感情的結果に基づいて画像を生成することができる。 AffectGANによって生成された32の画像の小さなデータセットは、50人の参加者によって、彼らが引き起こす特定の感情と、その品質と新規性の観点から注釈付けされている。
  論文  参考訳（メタデータ） (2021-09-30T04:53:25Z)
• Stimuli-Aware Visual Emotion Analysis [75.68305830514007]
  本稿では,刺激選択,特徴抽出,感情予測の3段階からなる刺激認識型視覚感情分析(VEA)手法を提案する。 我々の知る限りでは、エンド・ツー・エンドのネットワークでVEAに刺激選択プロセスを導入するのは初めてです。 実験により、提案手法は、4つの公的な視覚的感情データセットに対する最先端のアプローチよりも一貫して優れていることが示された。
  論文  参考訳（メタデータ） (2021-09-04T08:14:52Z)
• A Circular-Structured Representation for Visual Emotion Distribution Learning [82.89776298753661]
  視覚的感情分布学習に先立つ知識を活用するために,身近な円形構造表現を提案する。 具体的には、まず感情圏を構築し、その内にある感情状態を統一する。 提案した感情圏では、各感情分布は3つの属性で定義される感情ベクトルで表される。
  論文  参考訳（メタデータ） (2021-06-23T14:53:27Z)
• Enhancing Cognitive Models of Emotions with Representation Learning [58.2386408470585]
  本稿では,きめ細かな感情の埋め込み表現を生成するための,新しいディープラーニングフレームワークを提案する。 本フレームワークは,コンテキスト型埋め込みエンコーダとマルチヘッド探索モデルを統合する。 本モデルは共感対話データセット上で評価され,32種類の感情を分類する最新結果を示す。
  論文  参考訳（メタデータ） (2021-04-20T16:55:15Z)

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。