[논문 리뷰] Quantifying Creativity in Art Networks

Ahmed Elgammal, Babak Saleh|arXiv (Cornell University)|2015. 06. 02.

Aesthetic Perception and Analysis참고 문헌 10인용 수 50

한 줄 요약

이 논문은 시각적 유사성 기반으로 예술작품을 네트워크의 노드로 모델링하고, 네트워크 중심성(centrality)을 사용하여 변환된 '창의성 함의 네트워크'(Creativity Implication Network)를 통해 원래의 독창성과 영향력을 추론함으로써 예술의 창의성을 수량화하는 계산 프레임워크를 제안한다. 이 방법은 예술사적 합의와 높은 일치를 보이며, 예술작품을 인위적으로 재시간함으로써 예상되는 창의성 점수의 이동을 보여주는 '시간 기계 실험'을 통해 검증된다.

ABSTRACT

Can we develop a computer algorithm that assesses the creativity of a painting given its context within art history? This paper proposes a novel computational framework for assessing the creativity of creative products, such as paintings, sculptures, poetry, etc. We use the most common definition of creativity, which emphasizes the originality of the product and its influential value. The proposed computational framework is based on constructing a network between creative products and using this network to infer about the originality and influence of its nodes. Through a series of transformations, we construct a Creativity Implication Network. We show that inference about creativity in this network reduces to a variant of network centrality problems which can be solved efficiently. We apply the proposed framework to the task of quantifying creativity of paintings (and sculptures). We experimented on two datasets with over 62K paintings to illustrate the behavior of the proposed framework. We also propose a methodology for quantitatively validating the results of the proposed algorithm, which we call the "time machine experiment".

연구 동기 및 목표

• 그림과 조각과 같은 예술적 산물의 창의성을 독창성과 영향력에 기반해 객관적으로 평가할 수 있는 계산 프레임워크를 개발하는 것.
• 기본 진술 레이블이 없는 상황에서 창의성 평가를 검증할 수 있는 도전 과제를 해결하기 위해, 새로운 '시간 기계 실험' 방법론을 제안하는 것.
• 예술사 지식 없이도 시각적 특징과 시간 정보만을 기반으로 자동화되고 데이터 기반의 창의성 점수를 부여할 수 있도록 하는 것.
• 프레임워크가 예술사적으로 인정된 혁신적인 작품을 명시적인 예술 개념 레이블 없이도 식별할 수 있음을 보여주는 것.

제안 방법

• 색채, 형태, 질감 등의 예술 개념을 수량화하기 위해 컴퓨터 비전 기법을 사용해 시각적 유사성 기반으로 예술작품 네트워크를 구축하는 것.
• 독창성과 영향력을 강조하는 일련의 수학적 연산을 통해 시각적 유사성 네트워크를 '창의성 함의 네트워크'로 변환하는 것.
• 창의성 평가 문제를 PageRank나 고유벡터 중심성과 같은 효율적 알고리즘으로 해결할 수 있는 네트워크 중심성의 변종으로 설정하는 것.
• 이미지 특징과 제작 일자만을 입력으로 사용하여 62,000점 이상의 그림을 포함한 두 개의 대규모 데이터셋에 프레임워크를 적용하는 것.
• 예술작품의 날짜를 인위적으로 재할당하고 창의성 점수의 변화를 측정함으로써 결과를 검증하기 위한 '시간 기계 실험'을 수행하는 것.
• 점수 변화(상승/하락)의 통계 분석과 점수 상승을 보인 그림의 비율을 활용하여 알고리즘의 일관성을 평가하는 것.

실험 결과

연구 질문

• RQ1 시각적 및 시간적 데이터만을 사용하여 예술작품의 독창성과 영향력을 객관적으로 수량화할 수 있는가?
• RQ2 기본 진술 레이블이 없는 상황에서 창의성 평가를 어떻게 검증할 수 있는가?
• RQ3 예술작품을 인위적으로 다른 역사적 시기로 재시간했을 때 창의성 점수는 예상되는 방향으로 이동하는가?
• RQ4 프레임워크가 얼마나 잘 예술사적으로 혁신적이고 영향력 있는 작품을 식별하는가?

주요 결과

• 인상파, 후기 인상파, 표현주의, 입체파 운동의 그림들은 1600년으로 되돌릴 경우 창의성 점수에 상당한 상승을 보였으며, 이는 높은 독창성을 반영한다.
• 네오클래식 및 낭만주의 그림들은 1600년으로 되돌릴 경우 최소한의 점수 상승을 보였으며, 이는 이전 스타일과의 역사적 유사성과 일치한다.
• renaissance 및 바ロック 그림들은 1900년으로 앞으로 이동시켰을 경우 상당한 점수 하락을 경험했으며, 이는 역사적 맥락과 후기 시기에서의 낮은 신선도를 반영한다.
• 시간 기계 실험에서 여러 시행에 걸쳐 일관되고 해석 가능한 결과를 도출했으며, 평균 점수 변화와 높은 통계적 유의성을 확보했다.
• 예술사적 지식이나 예술 개념 레이블 없이도 프레임워크가 예술사적으로 인정된 혁신적인 작품을 성공적으로 식별했다.
• 정량적 검증을 통해 창의성 점수가 역사적 이해와 일치하는 방식으로 이동함을 보여주며, 이로써 방법론의 강건성과 타당성을 입증했다.