审美感知音乐推荐的排序复杂度审美评估模型
本文提出使用 Birkhoff 美学评价方法提高 AI 音乐性能生成任务并研究音乐表演的客观测量方法,并通过实验表明该方法在音乐表演评估方向有广泛适用性。
Apr, 2023
本文提出了一种主观方法,通过向不同水平的用户询问与基本音乐原理相关的问题来评估基于 AI 的音乐作曲系统,以比较深度学习模型的最新发展情况,并给出了对于每个评估模型的每个用户水平的响应的结果。
Mar, 2022
本文综述了近期计算机视觉技术在图像美感质量评估中的应用,详细介绍了基于手工特征和深度特征的不同方法以及评估标准,并探讨了新兴的深度学习技术在美学评分中的应用以及利用计算方法操纵图像美感的可能性。
Oct, 2016
为了更深入地认识审美,本文提出了一种神经审美图像审阅者模型,可以不仅为图像提供审美评分,还能生成解释评分原因的文本描述。通过多任务学习,该模型可以评估审美图像并以端到端的方式产生评论。研究结果表明,该模型在 AVA-Reviews 数据集上具有优异的表现,可以与人类视觉感知相一致。
Feb, 2018
本文对智能音乐生成技术进行了综合调查和分析,提出了关键讨论,明确了各自的特点,并通过表格进行了总结。我们首先介绍了如何将音乐作为信息流进行编码和相关数据集,然后比较了不同类型的生成算法,总结了它们的优点和缺点,并讨论了现有的评估方法。最后,研究了人工智能在音乐创作方面的发展,特别是比较了东西方音乐生成技术的不同特点并分析了该领域的发展前景。
Nov, 2022
我们提供了一篇综合调查报告,介绍了包括研究项目和商业应用在内的人工智能音乐生成工具。通过对音乐生成方法进行分类,我们发现参数化、基于文本和基于视觉的三种方法。调查重点展示了这些工具的多样性和功能特点,适用于普通听众和专业音乐人。每个工具都有自己的优点和限制,因此我们编制了一份综合列表,用于在选择过程中考虑这些因素。此外,我们的调查揭示了人工智能音乐生成的底层机制和挑战。
Aug, 2023
本文提出了一种基于多任务深度模型的自动审美质量评估方法,其中将语义识别任务作为解决自动审美质量评估和语义识别相关问题的关键。该方法基于卷积神经网络,通过一个简单的多任务框架,同时利用美学和语义标签进行监督学习,通过引入任务间关系学习的相关项,进一步提高了审美任务的评估精度。经过对 AVAdataset 和 Photo.netdataset 的实验验证,证明了多任务深度模型在发现有效美学表示方面的重要性,并取得了最先进的结果。
Apr, 2016