  |
はてなキーワード: メタデータとは
家にCDがあるんだけど、
100円でCD買ったんだけど、
どうせ音声データを取り出すなら、いい音質で聴きたい
そういう人のために、
Linux だと、
Whipperという、高機能なリッピング用のパッケージがあるよ
でWhipperはすぐにインストールできるよ（Debian系のディストリビューションの場合）
Whipper ではいろいろなことができるけど、
whipper cd info
デフォルト設定だと、flacというファイル形式でデータを取り出すようになっているよ
アルバム名、曲名、アーティスト名とかのデータを付加したファイルを作ってくれるよ
珍しいCDとか古いCDだと、whipperがメタデータを見つけられないことがあるよ
その時はエラーメッセージが出て、MusicbrainzというサイトにCDを登録するようお勧めされるよ
MusicbrainzはフリーのCDメタデータのデータベースだよ
（エラーメッセージの下の方に、だいたい、CDDBというデータベースから見つかった、正しい情報が載っているよ、でもこれはそのままでは使えない）
表示されているMusicbrainzのURLをブラウザに貼り付けると、CDの登録画面に行くよ
膨大な情報の中から探しているCDをかなりの確度で探し出してくれるよ
登録が終わったら、もう一回
を実行するよ
そしたらメタデータがきれいに入った状態で音声データファイルが作成できるよ
これだけ
Whipper は読み取りエラーを最小にして、
CDから忠実に音声データを取り出すことを優先して作られてるから、
気長に待とう
ChatGPTとシェルスクリプトを使って、自分でメタデータを一括入力する方法があるよ
それはまた別の機会に
普段、音楽を聴くときはApple Musicを使っている。世界中の音楽に瞬時にアクセスできる便利さはあるが、サブスクリプションをやめると何も残らない。
最近、クラシック音楽をよく聴くようになり、他人の都合に左右されず、好きなときにじっくり聴きたいと思うようになった。特に、夜寝る前の静かな時間に聴く音楽が自分にとって大切なものになってきた。ネットワーク環境に依存せず音楽を楽しみたい。
そう考えるうちに、クラシックのCDを買ったり借りたりして、リッピングするようになった。音楽を所有したいというより、Appleの都合で聴けたり聴けなかったりするのがおかしいと感じたからだ。
やり方はシンプルで、Linuxのwhipperというツールを使い、コマンドを実行するだけ。メタデータ付きのFLACファイルが生成されるので、それを好きな音楽プレイヤーに転送する。自分はネット接続を切った古いAndroidスマートフォンで聴いている。
https://news.yahoo.co.jp/articles/ae778e308b479a06991e64b0b726e1b6aec20cd3
「転売ヤー」への拒否感はなぜ生まれる？ アレルギー反応との指摘も #くらしと経済 がやっぱり燃えてた。
ただ、コメントしている側も転売屋のせいで商品が買えないとか、商品に愛がないとか情緒的な話ばかりしてるから備忘録を兼ねて書く。
転売屋問題だが、個人的な見解として一番の問題は「消費者の権利が侵害されている」この一点に尽きる。
企業が行えば独禁法違反になるようなやり方が普通にまかり通っており、ヤミ流通、ヤミ経済の様相まで呈している。
価格のつり上げ、商品のせき止めも不快だろうが、食品衛生法やPL法、長期使用製品安全点検制度まで蔑ろになるのは消費者保護の観点から良いわけがない。
購入者に健康被害が発生した場合だれが責任を取るのかという問題もある。正直死亡事故が出る前に一刻も早い規制が必要だともいえる。
PL法は製造物責任者法の通りメーカーに基本的に責任は行くのだが、実は輸入業者にも責任が発生することが知られていない。だから販売側も実は弱い。事故が起こって知らなかったでは済まされない。
購入者のリスクについてもあまりに小さく評価されているのも問題だ。購入した商品が盗品だった場合、一応は消費者保護が働いて返品する必要はないということが出来るのだが、高額転売された嗜好品の場合だと話が変わってくる。
その商品が正常な流通でないことを知らなかったと主張しづらくなる。こうなると消費者も無傷では済まず余計な手続きなどを行う羽目となるだろう。このことから転売屋から商品を購入することがリスクであることは明白である。
とはいえ現状では買い占めや迷惑行為を伴う転売を防ぐことは難しい。正常な商取引との違いを出すことは現状の仕組みでは困難だ。
あくまで現状の仕組みではだが。
ここで個人的に提言したい転売屋問題の解決方法を幾つか書いてみる。一部現実的ではないものもあるかもしれないのであくまで参考程度。
〇C to Cプラットフォーマーは、出品者に適格請求書番号の表示について努力義務を課す。努力義務なのがミソ。
〇適格請求書番号があれば、その出品者の実態は国の検索サイトで確認できる。適格請求書の作成をもって国税に捕捉されることになる。
〇購入者は適格請求書番号の有り無しを出品者の信頼性確認に利用できるようになる。
〇特に浄水器がこれにあたる 浄水器販売の場合は販売許可番号があるはずなので出品者情報のメタデータに追加
〇アプリで撮影した写真以外に出品写真を使用できなくする。写真は即時クラウド保存され位置情報などを含めてプラットフォーマーが
審査後にメタデータを削除して写真掲載すればよい。この仕組みは補助金申請で既にあるインフラ。
アプリ経由出品以外ダメにすれば、プラットフォーマーは客の囲い込みもでき、不正ユーザーの一次対応が可能。
兎に角この問題を解決するには国を動かすのが手っ取り早いけど、やっぱり税収になるとして、既存の法律を使って通達だけで何とかする方法の方が実効性があるかと。
多分穴があるから、何かあれば指摘が欲しい。
画像を生成するAIによる無断学習や利用を防ぐために、以下のような対抗手段を講じることが可能です。
1.透かし（ウォーターマーク）の埋め込み:
画像に目に見えるまたは見えない透かしを入れることで、無断利用や生成AIの学習に対して抑止効果を期待できます。特に、目に見えない形で画像データに暗号的な透かしを埋め込む「デジタル透かし」技術が有効です。
画像データに著作権情報や「AIによる無断学習を禁止する」といったメタデータを埋め込み、ウェブサイトには robots.txt ファイルで画像クローラーのアクセスをブロックする設定を追加します。これにより、クローリングや収集の抑制が期待できます。
ステガノグラフィを用いて、画像に気づかれにくい形で識別情報を隠すこともできます。これにより、画像の流出経路や利用先を追跡でき、無断利用の発見に役立てることができます。
4.法的な警告表示や利用ポリシーの明示:
ウェブサイトや画像の配布先に、AIによる無断利用や学習を禁止する旨の法的警告や利用ポリシーを明示することも有効です。利用条件をはっきりと示すことで、AI企業や研究者が慎重になる可能性が高まります。
AIが利用しにくいように、画像に人間には気づきにくいパターンやノイズを挿入する技術もあります。たとえば、AIにはノイズとして認識されるが、人間には問題なく見える小さな変形やカラーパターンを追加することで、AIによるデータ学習が困難になる場合があります。
生成AIの学習を混乱させるための手段には、以下のような方法が考えられます。
1.ノイズや歪みの追加:
画像に目立たない程度のノイズや歪みを加えることで、アノテーションモデルが境界や特徴を正確に認識しにくくする手法です。たとえば、ピクセルレベルでランダムなノイズを追加する、わずかに画像をぼかす、あるいは境界線付近に小さな変化を加えるといった手法が有効です。
アノテーション処理は、対象物の輪郭や特徴を正確に捉えることが重要です。そのため、背景や対象物の輪郭にわずかな不規則性を加えることで、アノテーションツールが対象物の境界を正確に判断しにくくすることができます。たとえば、背景に模様や偽の輪郭を挿入する方法です。
画像に人間には視認しづらい形でテキストやラベルを埋め込むと、AIのアノテーションプロセスが混乱する場合があります。これにより、AIが意図しない領域を注視することがあり、誤認識を誘発します。
4.色や明るさのランダム変化:
画像の色や明るさを部分的に変化させ、一定のパターンを持たないようにすることもアノテーション処理の混乱を招く一手です。これは、オブジェクトの検出や認識が色や明暗の差異に依存している場合に有効です。
5.擬似的なオブジェクトの追加:
画像内に小さな擬似的なオブジェクトや模様を追加することで、AIがそれらを誤って主要なオブジェクトと認識し、アノテーション精度が低下する可能性があります。特に、背景に似たオブジェクトを散りばめることで、AIはどの部分が対象なのか判断しにくくなります。
AIの認識を誤らせるために用いられる「アドバーサリアル（敵対的）な例」を使う方法もあります。特定のピクセルパターンや色の配列を配置することで、AIのアノテーションが意図的に誤作動するよう誘導できます。この技術は深層学習モデルに対して特に効果があります。
画像全体にわずかなカモフラージュパターンを重ねることで、AIの認識を混乱させる方法です。この手法では、人間が見た場合には問題なく認識できるものの、AIが対象を捉える際に誤って検出するようなパターンを画像に追加します。
・思考実験として、danbooruなどアノテーションの元データとして使われているサイトのタグが荒られたら画像生成AIのモデル作成にダメージはありますか？
思考実験として、Danbooruといったアノテーション元データのタグが荒らされた場合、画像生成AIのモデル作成に与える影響は以下の通りです。
Danbooruは、イラストや画像に対して詳細なタグが付与されており、これらのタグ情報は画像生成AIの学習にとって非常に重要です。タグが荒らされることで、画像とタグの対応関係が崩れ、モデルが正確な特徴を捉えにくくなるため、生成精度が低下します。
例えば、特定のキャラクターやテーマに関連するタグが荒らされ、誤った内容のタグが付与されると、モデルはその誤った情報を学習し、キャラクターの特徴や設定が再現されにくくなる可能性があります。
タグが荒らされると、モデルの訓練にノイズデータが増えるため、学習効率が悪化します。たとえば、「黒髪」のタグが誤って「金髪」などに変更された場合、モデルは同じ画像に対して異なる特徴を学習することになり、結果として生成画像の一貫性が失われることが考えられます。
また、同じ画像に異なるタグが付与されることで、モデルが過学習や誤学習を引き起こし、生成された画像が本来の意図からかけ離れたものになる可能性もあります。
Danbooruでは、特定のキャラクターやアートスタイルを識別するタグが多く存在します。これらが荒らされると、特定のキャラクターやスタイルのデータが混乱し、モデルが正確にキャラクターの特徴を把握できなくなるため、ユーザーが期待する生成結果が得られにくくなります。
例えば、あるキャラクターのタグが「髪型」「服装」「色彩」などで荒らされると、そのキャラクターの再現が曖昧になり、モデルが正しいビジュアルを生成できなくなることがあります。
タグが荒らされると、データセット全体の信頼性が低下します。信頼性の低いデータをもとに学習したモデルは、特定の条件で異常な出力を生成することが多くなり、モデル全体の品質が低下します。これは、生成AIが学習中に「どの情報を信頼すべきか」を判断できなくなるため、生成結果が不安定になったり、多様性が失われたりすることが考えられます。
AIモデルを利用するユーザーは、タグを通じて希望する画像を生成したり、条件に合った画像を探します。タグが荒らされると、AIモデルの検索・フィルタリング機能の精度も低下し、生成プロンプトが期待通りに機能しなくなる可能性があります。たとえば、「風景」タグが荒らされ、異なるジャンルの画像が混入するようになると、風景画像を生成したいユーザーの要求が満たされにくくなります。
Danbooruなどのタグが大規模に荒らされた場合、生成AIモデルの精度低下や一貫性の欠如が発生しやすくなり、特にキャラクターや特定のスタイルに依存する画像生成モデルに大きなダメージを与える可能性が高いです。
すでに学習済みのモデルを使って汚染されたデータのクレンジングや異常値検出を行うなど対策される可能性がありますが、それらを阻害する手段はありますか？
無断での学習を妨害し、学習コストを増加させるために、上記の方法を阻害する手法には以下のようなアイデアがあります。これらの手法は、意図的にデータセットの品質や一貫性を崩すことで、学習モデルの精度を低下させ、データクレンジングや異常値検出のプロセスを複雑化することが目的です。
意図的に誤ったタグや無関係なタグを画像データに付与し、データセットの信頼性を低下させます。これにより、転移学習やラベルノイズ検出が困難になり、正確な特徴量を学習するコストが増加します。
例えば、キャラクター画像に全く無関係なタグ（「動物」や「風景」など）を追加することで、モデルがどのタグが信頼できるか判別しにくくなり、誤ったラベルがノイズとして学習されるリスクが増えます。
2. 特徴量をぼかす／微妙な変更を加える
特徴量ベースのクレンジングや類似度分析に影響を与えるため、画像の特徴がわずかに異なるように加工を施します。具体的には、色調を微妙に変える、ランダムなピクセルの位置でノイズを追加する、または特定の部位を意図的にぼかすことで、モデルが抽出する特徴量の安定性を低下させます。
この方法により、同じキャラクターやスタイルであっても類似度分析が困難になり、正確なクレンジングが行いにくくなるため、データ処理のコストが増加します。
特徴が異なるバリエーションや擬似的な異常データを大量に追加することで、異常検出アルゴリズムの信頼性を下げます。たとえば、キャラクターのデザインや背景を少しずつ変えた画像を意図的に作成することで、異常値検出が頻繁に誤検出されるようにします。
こうしたデータが混在することで、オートエンコーダーやアンサンブルモデルを使った異常検出が混乱し、正確な異常サンプルの抽出が困難になります。
4. 高頻度で微小なラベル変更を行う
学習済みモデルの転移学習やラベルノイズ検出を阻害するために、同じ画像に対してラベルを定期的に変える手法です。微小な変更を行うことで、モデルは正しいラベルを安定的に学習することが難しくなり、モデルの信頼性が低下します。
例えば、ラベル「黒髪」を「暗めの髪」や「濃い色の髪」などに頻繁に切り替えることで、学習に不確実性を持ち込むことが可能です。
データセット内で非常に類似した画像を複数の異なるタグで登録することで、モデルの学習を混乱させます。特定のキャラクター画像を少しずつ変化させて複数のタグを付けると、モデルは「どのタグがどの特徴に対応しているのか」を判別しにくくなり、データセットのクレンジングが複雑化します。
特に、タグの一貫性が失われるため、類似度分析やアンサンブルモデルによる異常検出の効果を低下させることが期待できます。
AIモデルが認識を混乱させるように、アドバーサリアルノイズ（敵対的な例）を追加します。人間にはほとんど気づかれないレベルのノイズを画像に追加し、モデルが特定の特徴を正確に認識できないようにすることができます。
このノイズにより、モデルの特徴量ベースの学習が混乱し、意図した通りに学習できないため、クレンジングの精度も低下し、データ処理の手間が増加します。
特定のルールではなくランダムにタグをつけたり、特定のカテゴリ間でランダムにラベルを入れ替える方法です。これにより、ラベルと画像の関連性が薄れ、アノテーションの一貫性が失われます。この乱数による偽ラベルの付与は、ラベルノイズ検出やアノマリー検出において、真のラベルを見極めるコストを大幅に増加させます。
まとめ
これらの手法は、AIの学習やクレンジングを意図的に妨害し、無断学習にかかるコストを増加させるために有効です。特に、「微小な変更」や「アドバーサリアルノイズの付与」といった手法は、見た目の品質に影響を与えずにモデルにノイズを持ち込むため、非常に効果的です。
LINEやWhatsApp、SignalはどれもE2E暗号化を採用している。
しかし、Signalの方がLINEやWhatsAppよりも安全である。
メッセージの内容はエンドツーエンド暗号化によって保護されるが、LINEはメタデータを保護しない。
メッセージとメタデータに加え、アプリはスマホに保管されている情報も収集できる。
LINEは、LINEの海外拠点が、開発・運営業務上の必要性からデータにアクセスできる状態になっていたことについてユーザーへの説明不足が指摘されている。
一方、Signalは電話番号のみを必要とする。その電話番号も、身元に関連づけることはない。
どの企業がメッセージングサービスを所有しているかも重要である。
新生Zホールディングスは、LINEをグループに加えたことで、ヤフーやその他のサービスとの業務連携を強化するとしている。これは個人情報の流用を示唆する。
一方、SignalはSignal Technology Foundation社が所有している。ユーザーの寄付で運営される登記された非営利団体であるため、LINEよりはマシだろう。
画像に関して言うなら、C2PAと言う、画像の来歴、改変の有無などを記録する規格ができつつあって、それで対処すると言うことのようだよ。
ほかにもIPTCというものもある。（これは元々の目的はちょっと違うか）
で、主要カメラメーカーは参画してるし、スマホだとGoogleが参画しているので、Androidではデフォでメタデータがつくようになるよね。
では、野良AIでつくられたやつはどうするかというと、AIで作られたかどうかを見破るAIというやつがあって、それなりの精度が出せてる。
インスタとかでAI生成画像をアップするとラベルがつくようになるらしい。
https://www.itmedia.co.jp/news/articles/2402/07/news087.html
てかSEO対策って言葉なんか当たり前になっちゃってるけどおかしくね
SEO自体が(Webにアップロードするhtml等の記述を)サーチエンジン最適化(することで表示ランク上げる)って意味で、SEOで完結してるんだから
最適化対策をするとしたらGoogleとかのエンジニアがやることじゃん
だいたいそんなもんに頼らなくてもね、自力で目的のページにたどり着ける知能がないと人間の情報リテラシーが最適化されていかないのよ
そうやって全員が経験値稼いで実力をつけていくことのほうが大事なんだよ
なんでもかんでも相手がお誂え向きにデータを整え分類してくれてあると思っちゃダメ
秩序立てて分類することで利益を得ようとするエンジン側勢力にアップロード側が寄り添って、メタデータを充実させてやるのも悪いお節介ではないが
そういう自発的なお節介に依存してちゃダメなんだよ、現に利益を得ようって人しか熱心にやらないだろ、足並み揃えようがない
Twitterで映像畑の人による「映像系に使用する画像で72dpi以上は必要がなく、事前に整理するのが当然なんだけど350dpiのままで作業する人がいた。基本が抜けてるなぁ」といったツイートを偶然目にしてしまい、以下これに関してつらつらと書いていく。
結論から書くと、WEB画像の解像度設定は72dpiだろうが350dpiだろうがなんでもよく、縦と横のピクセル数だけ見ていればよい。
＜DPIとは？＞
「印刷用解像度設定」といったメタデータと考えてもらって構わない。
簡単に説明すると、DPIとは、その画像をどれだけのキレイさで印刷するかという品質設定の単位である。
dot per inchの略であり、1インチにどれだけドットを敷き詰めるかをこの数値で設定する。
72dpiは1インチあたりに72ドット、350dpiは1インチあたり350ドット。ドットの数が多いほど密度が上がるので鮮明に見える。
要はパソコンのディスプレイ解像度と同じ。同じピクセル数の画像を72dpiの設定で印刷しようとすると大きく荒く出て、350dpiの設定で印刷すると小さくキレイに出る。
FHDの動画を27インチFHDモニターに等倍で再生すると全画面で再生されるが、27インチ4Kモニターの場合、画質は良いが拡大しないと小さいウインドウ内で再生されるイメージとおおよその構造は一緒。
一般に印刷用の画像データは350dpiにするのが理想とされている。
そのデータを映像制作に使用する際に、解像度設定をそのままにしている人に対する嘆きが冒頭のツイートにつながったのだろう。
DPIとは「印刷用解像度設定」のことなので、デジタルで表示・使用する場合、この数値は関係がない。
重要なのはピクセル数だ。1920×1080pxの画像があったとする。
デジタル上でなにが変わるか。
なにも変わらないのである。
画像の見た目も、容量も変わらない。カンバスサイズも変わらない。
実際に解像度の数値を変更した画像をブラウザで読み込んでみたところ、表示されるものは全て一様であった。
なお、Photoshop上で解像度の数値を変更する際、設定によっては解像度の数値の増減に合わせて縦横のピクセル数も増えたり減ったり（拡大縮小）するので、それによって画像のサイズが変わりはする。
ただそれはピクセル数の増減によってサイズが増減するということなので、例えば350dpiを72dpiにしたから画像が小さくなった、とは言えない。
ちなみにディスプレイ上ではDPIではなくPPIと呼ぶ。なぜならばDotではなくPixelだから。どうでもいい話ではあるが。
72ppiじゃないよね。iPadは264ppi、iPhoneは460ppiのものもあるよね。
「モニターは、72ppi！」というのはあまりにいにしえの知識と言える。
さらに言うと、ppiは画面解像度と画面の物理的なサイズによって算出される。だってper inchだもん。
例えば4kモニターでも31インチなら142ppi。20インチなら220ppiだ。同じ数ピクセルが詰まってるなら画面が小さい方が細かいでしょ。
というか、逆に言えば80インチの場合4Kと言ったって55ppiである。フルHDは28ppiだ。
最終的にエンコードする画面解像度、つまりフルHDなのか4Kなのかなどによって必要な素材のピクセル数は決まってくる。
しかしそこにdpiだのppiだのといった数値はもはや関係がない。ピクセル数を削れという話なのだから。
したがって、繰り返しになるがピクセル数だけ見ていればよい。
映像制作中においても、素材画像の解像度設定が350だろうが72だろうが、画質になんの違いも出ない。
制作後も最終的にはエンコードをするので元素材画像の解像度設定はガチのマジで関係がない。
素材データの受け渡しを考えても画像容量も変わらないので本当に意味がない。
つまり、WEB画像の解像度設定は350dpiだろうが72dpiだろうがなんでもよく、縦と横のピクセル数だけ見ていればよい。
※画像の解像度設定の数値がバラバラだと先方にナメられるから、とかはガチで知らん。しょーもないと思う。
なんというか、基本を知らないなあと言っている側が昔の作法からアップデートできていないだけでしたっていうのを見て色々と考えてしまったものである。
（もしなにか「いや違う！」といった指摘があったらください。）
＜※IllustratorやPhotoshopなどにおいては＞
これらのソフトの場合、解像度設定の異なる同じ画像をドキュメント内に配置した場合、配置された画像の大きさ（縦横サイズ）に違いが出る。
なぜならばこれらは印刷を前提としたソフトであり、また、ドキュメント自体に印刷解像度の設定がなされているからである。
なんとなくWEB画像の場合は72にしないと気持ちが悪い、といった場合は否定しないが、それはあくまで個人のこだわりなのでそうしない人を基本が抜けてるとかう〜んとか言うのはやめた方がいいと思いました。
（イラレ上で画像を拡大縮小してるのに元画像の解像度を350dpiにするのにこだわるような意味のなさ。拡大縮小してる時点で解像度は変わってるし、印刷所でRIPのときに均されるんだからさ※後述）
＜デジタルはわかった。結局印刷の場合ってどうすればいいの？＞
A4／350dpiに必要なピクセル数が約W2890H4090pxなのでそれくらいで良いのでは。
ちなみになぜ350dpiが良いとされているかというと、これ以上解像度を増やしても人間の目にはあまり区別がつかないとされていたり、印刷機の性能の事情などによってそうなっている。
ポスターなどは150〜200dpi程度あれば十分とされる。デカいものは近くで見ないし多少荒くて良いのだ。
抱き枕やタペストリーなどもそれくらい。近くで見るものだけど、布自体の目が粗いのでデータの解像度を上げてもあまり意味がない。滲むし。
（布の種類にはよるが……）
ポスターも先述の通り解像度自体落とすので相対的にピクセル数は変わらずA1／150dpiの場合約W3500H4960pxなので上記より少し増える程度。
抱き枕カバーのようにすごく縦長とかでもない限りざっくり縦横5000pxあればもう十分なのではと思う。
というか、素人の場合は印刷の場合もピクセル数だけ見ていれば良いと思う。
実際に印刷されるデータは印刷所でRIP（リップ／リッピング）といって、印刷用データに変換されるんだけど、そのときに印刷解像度はあらかじめ印刷所で設定された数値に変換されることがほとんどだろう。
だって必要な印刷解像度って印刷機の線数の2倍って言うし。ほらまた知らない単語が出てきた。入稿先の印刷機の線数なんて把握せずに解像度設定してるでしょ。普通は175lpiなんだって。LPI。Line per inchね。その2倍。だから350なんだね。知らないでしょ。だからいいんだよ。良きようにやってくれるんだから。
A4なのかB5なのかとにかく出力サイズがわかっていて、それに十分なピクセル数が足りていれば良い。あと塗り足しね。
変に知識をつけて画像解像度350dpiにしました！ 仕上がりサイズはA4です！っていって縦横350pxみたいな画像が配置してあるデータ送られてきてもガビガビに印刷されるだけだよ。大事なのはピクセル数。覚えてこ。
AI学習否定派の神絵師様の証言が集まっていたので、ちゃんとAI学習対策してるのか調べてみた。
https://www.itmedia.co.jp/news/articles/2305/08/news068.html
| 名前（敬称略） | フォロワー数 | Pixiv | danbooru | |
| あかもく | 24万 | 非公開 | 公開中 | takedown済 |
| イコモチ | 64万 | 非公開 | 公開中 | takedown済 |
| 皐月恵 | 13万 | 非公開 | 公開中 | 転載済(58件) |
| 黒須 | 10万 | 非公開 | 公開中 | 転載済(218件) |
| 霧月 | 25万 | 一部非公開 | 公開中 | 転載済(189件) |
転載サイトまで対策しているのは5人中たったの2人しかいなかった。
件数を記載しているように、転載サイトには作者タグがあるのでほんの数分で神絵師が投稿して転載された作品数まで知ることができる。
そしてイラストのメタデータはやたら充実している(anond:20230507074525)ので転載サイトで学習してしまえば悪意のある絵柄模倣はpixivだけ非公開にしようがハナクソほじるように簡単に実行できるだろう。
そもそもTwitterでもイラストを大公開しているので、アカウントと関連付けて学習するだけでもPixiv公開と似たようなAI学習効果はあるだろう。今すぐTwitterのイラストを消すべきでは？
流言に流されてなんとなくの対策をしてる人が多く、半端で非常に残念としかいいようがない。
転載の対策をしない限りTwitterにイラストアップしてる時点でPixivを非公開にしようが関係なく転載され続ける。Twitterだけでも学習できるけど。
ちなみに転載は海外サイトで行われてるので最強の盾「フェアユース」が壁になってるから開き直られたら対策不能。danbooruはクリエイターの依頼で非公開対応してくれるので比較的優しいサイトではある。
今のフォロワー数で十分に仕事が来て、絵柄の模倣が損になる神絵師はこういった非公開対応をする価値があるが、
フォロワー増やすべく活動しないといけないTier2のイラストレーターたちは転載やAI模倣に嫌な思いをしつつも
いわゆる国産P2Pソフトと違ってBitTorrentはあくまでも通信プロトコルでしかないので…
歯抜けが多すぎる。
国産P2Pも大差がない(古いファイル・人気がないファイルでは歯抜けが普通に起こる)
ピア間でメタデータをやり取りして検索できるような実装になっているBTクライアント(BitCometなど)もある。
RSSでいーじゃん
会員制トラッカーサイトでは共有比による監視が行われていてフリーライダーはダウンロードできなくなるし、最悪サイトから蹴り出されるよ。
アンチAIの人はAI使ったことないからよく分かってないみたいだけど、
Pixiv自体はAIにとって話にならないんだよね。学習の参考にならないから。
Pixivの次にヤバいのがTwitterなんだけど、まさかアンチAIなのにTwitterにイラストアップしてるマヌケだったりしないよな？
https://b.hatena.ne.jp/entry/s/twitter.com/tadanojako/status/1654676274089197568
AIが学習する上で一番重要なのはメタデータの質なので、最近の2次元AIは黙って転載サイトdanbooruとか使ってるよ？
danbooruの転載元として多いのはPixivとTwitterなのでPixiv云々は致命的に間違ってるわけでもないのだが。
本気でアンチAIならTwitterに一切のイラストを投稿しないで活動しないといけないので、
人々に見て貰いフォロワーを増やすことで仕事に繋げるイラストレーターとしては自殺でしか無いと思うけど、思想信条の問題なら仕方ないかな。
転載サイトのトップで見かけたピーチ姫だが、投稿されたPixivと転載先のdanbooruのメタデータの差は圧倒的でどちらから学習したほうが精度が高くなりそうかはバカでも理解しやすいだろう。
#mario (series)
#super mario odyssey
#princess peach
#1girl
#blonde hair
#breasts
#day
#earrings
#from above
#hat
#high heels
#large breasts
#lips
#long hair
#long skirt
#looking at viewer
#open mouth
#outdoors
#pink lips
#pink skirt
#shirt
#solo
#white headwear
#white shirt
pixivに転載サイトなんとかしてくれという要望なら理解できるのだが、Pixivを悪者にしたら回避できると頭の悪い学習をしてしまっているようだ。
Pixivは規約上スクレイピング禁止でも転載され放題な現状なので。
よくわからない第三のイラスト投稿サイト（）とやらがスクレイピング禁止してもイラストが集まるなら転載サイトは無視してくるよ。
anond aiで作成に汚染されて憤慨する増田 の画像。<タグ> <meta メタデータ> <meta メタデータ> <meta メタデータ> <meta メタデータ> <meta メタデータ> <meta メタデータ> <meta メタデータ> <meta メタデータ> <メタデータ> <メタデータ> <meta メタデータ> <meta メタデータ> <meta メタデータ> <meta メタデータ> <
画像生成AIの適正使用及びそれに伴う著作権制度の整備に関する提言（第1版） | クリエイターとAIの未来を考える会
https://support-creators.com/archives/34
＞①
＞法解釈の議論の成熟を待つことなく、画像生成AIの機械学習における著作物の使用は適法であるという考え方が一方的に広まり、上述①の問題は、事実上野放しとなっている。
野放しになっているなら議論を深めればいいのでは？
＞最近では、公開された学習済みAIモデルを利用し、特定の創作者の制作物の特徴を模したアダルト画像を販売して収益を得る者が出ており、本来の創作者は、対価を受けることなく著作物を無断で使用されただけでなく、その技術が盗用及び悪用されている。
「著作権者の利益を不当に害する場合はこの限りではない」の但し書きで殴れば(訴えれば)いいじゃん。
議論したり訴えたりするのは面倒くさい(もしくは、議論をする”面倒な人”と思われたくない)のが大きいんだろうな。
＞②
＞該当のAI画像生成時のメタデータ及び生成過程の情報を削除することによって立証は困難となる
メタデータがあろうが無かろうが、最終成果物が違法なら違法だし、合法なら合法。
AI叩く人でよく勘違いしてるけど「AIと言い張れば合法になる」は明確に間違いで、
その画像が元の画像の権利を侵害していれば、それがAIで作ろうが 人間が頑張って絵柄を勉強して描こうが違法である事は変わらない。
＞提言3
＞著作権は、これまで通り、思想または感情の創作的表現に与えること。
改正著作権法でも「AIは思想または感情の創作的表現が無くても著作権を認める」なんて話は無いし
EXID（イーエックスアイディー、朝: 이엑스아이디）は、韓国のガールズグループである。2012年デビュー。グループ名は「EXCEED IN DREAMING (夢を越える)」から来ている。 前事務所との契約満了に伴い2019年以来休止状態となっていたが、2022年に10周年記念シングル"X"をリリースしグループ活動の継続を示した。日本での活動は2022年のファイナルツアーをもって終了したとしている。
エキシディ(Exidy)は、1974年から少なくとも1986年（Chillerがリリースされた年）のビデオゲームの初期に存在した、 アーケードゲーム最大手の企業のひとつである。
Exchangeable image file format（エクスチェンジャブル・イメージ・ファイル・フォーマット）は、富士フイルムが開発し、当時の日本電子工業振興協会 (JEIDA)で規格化された、写真用のメタデータを含む画像ファイルフォーマット。デジタルカメラの画像の保存に使われる。略称はExifで「エグジフ」（もしくは「イグジフ」）。
エクシーガ（EXIGA）は、SUBARU（旧・富士重工業）が製造・販売していた7人乗り乗用車である。生産はレガシィやインプレッサ同様、同社矢島工場（所在地：群馬県太田市庄屋町）。
Eximindsは、モスクワ出身のアレキサンダー・ジュコフ（Alexander Zhukov）と、ドミトリー・モンジコフ（Dmitry Momzikov）による音楽ユニット。世界のレコードレーベルで曲を使用される、トランス・ミュージック界の売れっ子プロデューサーである。
message@ware exire（メッセージ@ウェア・エクシーレ）は、NEC製のNTTドコモのDoPa無線機一体型携帯情報端末(PDA)である。
実存主義（じつぞんしゅぎ、英: existentialism、仏: existentialisme）とは、人民の実存を哲学の中心におく思想的立場、或いは本質存在（essentia）に対する現実存在（existentia）の優位を説く思想である。存在主義とも。
exist†trace（イグジスト・トレイス）は、日本のバンド。
