論文の概要: Estimating Image Creativity
- arxiv url: http://arxiv.org/abs/2611.15044v1
- Date: Wed, 11 Nov 2026 05:10:32 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-14 01:36:33.045998
- Title: Estimating Image Creativity
- Title(参考訳): 画像の創造性を推定する
- Abstract要約: 心理学における研究は、創造性は、新規性、驚き、覚醒といった基本的な創造性次元のセットに基づいているかもしれないことを示唆している。
画像の新規性、驚き、覚醒的創造性次元の強さを予測することによって、画像の知覚された創造性を推定する新しい枠組みを提案する。
最終的な機械学習モデルは、予測次元強度を入力として、推定された画像創造性スコアを生成する。
- 参考スコア(独自算出の注目度): 0.764671395172401
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: What makes an image creative? Although this may seem like a highly subjective decision, research in psychology suggests that creativity may be based on a set of fundamental creativity dimensions such as novelty, surprise, and arousal. A deeper understanding of image creativity can benefit both research and practical applications. Exploring how human viewers use creativity dimensions to evaluate image creativity may allow us to predict a target image's human-rated creativity automatically. We present a novel framework to estimate the perceived creativity of an image by: (1) predicting the strengths of an image's novelty, surprise, and arousal creativity dimensions, and (2) combining the creativity dimension strengths to estimate an image creativity score. Controlled human-subject experiments were conducted on Amazon Mechanical Turk to collect data to train supervised machine learning models to estimate an image's strengths on the three creativity dimensions. A final machine learning model takes the predicted dimension strengths as input to produce an estimated image creativity score. Results showed that our estimated creativity scores are statistically equivalent to human ratings of creativity for the images we tested. The novel contributions of our research are: (1) identification and validation of three psychological creativity dimensions used to estimate image creativity; (2) supervised machine learning models to automatically estimate novelty, surprise, and arousal strengths for an input image; (3) a supervised machine learning model to predict a creativity score from novelty, surprise, and arousal strengths for an input image, and (4) experimental methods to confirm the accuracy, advantages, and limitations of our approach.
- Abstract(参考訳): 画像が創造的になる理由は何か?
これは非常に主観的な決定に思えるかもしれないが、心理学の研究は、創造性はノベルティ、サプライズ、覚醒といった基本的な創造性次元のセットに基づいているかもしれないことを示唆している。
画像の創造性に関する深い理解は、研究と実践の両方に役立ちます。
人間の視聴者が画像の創造性を評価するためにクリエイティビティの次元をどのように使うかを調べることで、ターゲット画像の人間の評価されたクリエイティビティを自動的に予測できるかもしれない。
本稿では,画像の創造性を推定するための新しい枠組みを提案する。(1)画像の新規性,驚き,覚醒的な創造性次元の強さを予測し,(2)創造性次元の強さを組み合わせて画像の創造性スコアを推定する。
Amazon Mechanical Turkでは、教師付き機械学習モデルのトレーニングのためにデータを収集し、3つの創造性次元で画像の強度を推定するために、制御された人物体実験が実施された。
最終的な機械学習モデルは、予測次元強度を入力として、推定された画像創造性スコアを生成する。
その結果、我々の推定クリエイティビティスコアは、テストした画像の人間のクリエイティビティ評価と統計的に等価であることが判明した。
本研究の新たな貢献は,(1)画像の創造性を推定するために用いられる3つの心理的創造性次元の同定と検証,(2)入力画像の新規性,サプライズ,覚醒的強度を自動推定する機械学習モデル,(3)入力画像の新規性,サプライズ,覚醒的強度から創造性を予測する機械学習モデル,(4)精度,利点,限界を検証するための実験的手法である。
関連論文リスト
- Towards Defining, Measuring, and Leveraging Creativity in AI Applications [51.07615963522493]
計算創造性は概念的に基礎があり、実践的に関係があり、実証的に適用可能な形式的定義が、芸術、科学研究、ゲームなどの文脈で欠如している。
本稿では、ボデンの創造性に関する3つの中核的基準である新しさ、価値、サプライズに関連するように、創造性に関する以前の心理学的研究に基礎を置く創造性に関するいくつかの公式な仮定を提案する。
提案した創造性公式は、特定のチェスの動きの創造性を決定することと、ピカソ、レノワール、その他の画家による絵画の創造性を評価することである。
論文 参考訳(メタデータ) (2026-10-09T01:08:27Z) - CREward: A Type-Specific Creativity Reward Model [23.62496736021293]
CREwardは3つの創造性軸、幾何学、素材、テクスチャにまたがるタイプ固有の創造性報酬モデルである。
大規模視覚言語モデル(LVLM)による人間の判断と予測の相関分析
創造性評価,説明可能な創造性,創造的サンプル取得の3つの応用を,人間のデザインインスピレーションと,低ランク適応による創造的生成の導出の両面から検討する。
論文 参考訳(メタデータ) (2025-11-25T07:00:42Z) - CreativityPrism: A Holistic Benchmark for Large Language Model Creativity [64.18257552903151]
創造性はしばしば人間の知能の目印と見なされる。
さまざまなシナリオにまたがってクリエイティビティを評価するための総合的なフレームワークはまだ存在しません。
本稿では,創造性を質,新規性,多様性の3次元に分解する評価分析フレームワークであるCreativePrismを提案する。
論文 参考訳(メタデータ) (2025-10-23T00:22:10Z) - On the stochastics of human and artificial creativity [0.0]
コンピュータにおける人間レベルの知性を達成するためには、人間レベルの創造性も必要である、と我々は主張する。
我々は、理論、心理学、哲学、神経科学、カオス理論からの事前の洞察を取り入れて、人間の創造性を統計的に表現する。
私たちの分析には、強化学習や拡散モデル、大規模言語モデルといった最新のAIアルゴリズムが含まれています。
論文 参考訳(メタデータ) (2024-03-03T10:38:57Z) - Can AI Be as Creative as Humans? [84.43873277557852]
理論的には、AIは人間の創造者によって生成されたデータに適切に適合できるという条件の下で、人間と同じくらい創造的になれることを証明しています。
AIの創造性に関する議論は、十分な量のデータに適合する能力の問題に縮小されている。
論文 参考訳(メタデータ) (2024-01-03T08:49:12Z) - Automatic Creativity Measurement in Scratch Programs Across Modalities [6.242018846706069]
我々は、創造性の公式な尺度の定義から、この尺度を実践的な領域に適用することまで、効率的に計算できる旅を行ないます。
我々は、人気のあるビジュアルプログラミング言語であるScratchのプロジェクトに対して、一般的な測度を適用した。
我々は、Scratchプロジェクトの創造性を予測し、人間の専門家による創造性評価に基づいてトレーニングし、評価する機械学習モデルを設計した。
論文 参考訳(メタデータ) (2022-11-07T10:43:36Z) - DeepCreativity: Measuring Creativity with Deep Learning Techniques [2.5426469613007012]
本稿では,創造性の自動評価に生成学習技術を用いる可能性について検討する。
我々は、価値、ノベルティ、サプライズによって構成される創造性の定義に基づいて、DeepCreativityという新しい尺度を導入する。
論文 参考訳(メタデータ) (2022-01-16T19:00:01Z)
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。