人間とロボットの協働絵画におけるパッチベースの空間的著者帰属

- 人間とロボットが協働制作した抽象画15点を対象に、どの領域を誰が描いたかを空間的に推定する authorship attribution の枠組み。 - patch-based な手法で、flatbed scanner で取得した画像を用い、leave-one-painting-out cross-validation で評価。 - patch-level で 88.8%、painting-level で 86.7% の精度を達成。 - 協働作品の ground truth が曖昧な点に対し、conditional Shannon entropy で様式的重複を定量化。 - 人手で注釈した hybrid regions は pure paintings より 64% 不確実性が高い (p=0.003)。

- texture-based や pretrained-feature の baseline を上回る (68.0%-84.7% に対し 88.8%)。 - データが乏しい human-AI creative workflows において sample-efficient な attribution の方法論的基盤を提供。 - 将来的には任意の human-robot collaborative painting に拡張できる可能性を示す。 - ただし学習済みモデルはこの特定の human-robot pair に特化している点が限界。

- 画像を patch に分割し、各 patch の authorship を分類する patch-based framework。 - commodity flatbed scanners で取得した画像を使用。 - leave-one-painting-out cross-validation で汎化性能を評価。 - 協働作品の曖昧さを扱うため conditional Shannon entropy を導入し、様式的重複を定量化。 - 人手注釈の hybrid regions と pure paintings の不確実性を比較。

- 15点の抽象画に対し leave-one-painting-out cross-validation を実施。 - patch-level accuracy 88.8%、painting-level accuracy 86.7% (majority vote) を報告。 - texture-based および pretrained-feature baselines (68.0%-84.7%) と比較し優位性を確認。 - hybrid regions の conditional Shannon entropy が pure paintings より 64% 高い (p=0.003) ことを統計的に検証。

- 協働作品では ground truth が本質的に曖昧であり、単純な分類失敗ではなく混合 authorship を検出している可能性を示唆。 - 学習済みモデルはこの特定の human-robot pair に特化しており、一般化には課題が残る。 - データが乏しい human-AI creative workflows への応用可能性と、将来的な任意の human-robot collaborative painting への拡張が議論されている。 - 法的・収集家的文脈での authorship 文書化の重要性が背景にある。

- texture-based baselines - pretrained-feature baselines - conditional Shannon entropy を用いた authorship attribution 関連研究 - human-AI creative workflows における sample-efficient attribution の研究 - 要旨で具体的な論文名は参照されていないため、同分野の定番として human-robot collaboration や computational creativity の文献を挙げる。