인문학
사회과학
자연과학
공학
의약학
농수해양학
예술체육학
복합학
DBpia AI
AI 에이전트
AI 아이디어
AI 리더
AI 뷰어
Citeasy
크롬 서지관리 다운로드
지원사업
학술연구/단체지원/교육 등 연구자 활동을 지속하도록 DBpia가 지원하고 있어요.
커뮤니티
연구자들이 자신의 연구와 전문성을 널리 알리고, 새로운 협력의 기회를 만들 수 있는 네트워킹 공간이에요.
논문 기본 정보
- 저자정보
피인용 0
초록·키워드
We examine how probabilistic image generation reshapes the relations among visual reference, provenance, and authorship. Baudrillard's theory of simulacra remains valuable for understanding the autonomy of images but leaves unspecified how a learned model distributes training influence and how source attribution can be investigated. Combining a conceptual reconstruction of Baudrillard with a technical reading of diffusion models and identity-conditioning techniques such as IP-Adapter, we develop Generative Simulacra as a framework for images whose production cannot be traced to a single source artifact. Our analysis separates three distinctions: reference to a depicted subject versus evidence of an actual scene; documentation of a generation process versus attribution to training images; and distributed creative contribution versus legal co-authorship. We argue that learned probability distributions operationalize model-based simulation through statistical estimation and conditional sampling rather than abolishing code or causality, making the shift an operational distinction rather than a categorical break. We define No Singular Original and Distributed Authorship, propose a provenance evaluation protocol, and use the Zarya of the Dawn registration decision to clarify contribution-specific claims. The study contributes to media ontology, referentiality theory, and generative-AI research.
본문·목차
인공지능 문자 인식 모델을 통해 추출된 텍스트로, 일부 오타나 오류가 포함될 수 있으나 지속적으로 개선 중입니다.
오류를 발견하셨다면 해당 부분을 드래그한 후 ' 를 통해 신고해주세요.
오류를 발견하셨다면 해당 부분을 드래그한 후 ' 를 통해 신고해주세요.
최근 본 자료 전체보기
