Über semiotisch fundierte interpretative Bewertung generativer Kunst
On Semiotic-Grounded Interpretive Evaluation of Generative Art
April 9, 2026
Autoren: Ruixiang Jiang, Changwen Chen
cs.AI
Zusammenfassung
Interpretation ist unerlässlich, um die Sprache der Kunst zu entschlüsseln: Das Publikum kommuniziert mit Künstlern, indem es Bedeutung aus visuellen Artefakten erschließt. Allerdings konzentrieren sich aktuelle Evaluierungsmethoden für Generative Kunst (GenArt) nach wie vor auf oberflächliche Bildqualität oder wortgetreue Prompt-Einhaltung und versagen darin, die tiefergehende symbolische oder abstrakte Bedeutung zu bewerten, die vom Schöpfer intendiert war. Wir schließen diese Lücke, indem wir eine peircesche computationelle Semiotik-Theorie formalisieren, die die Mensch-GenArt-Interaktion (HGI) als kaskadierte Semiosis modelliert. Dieser Rahmen zeigt, dass künstlerische Bedeutung durch drei Modi vermittelt wird – ikonisch, symbolisch und indexikalisch – doch bestehende Evaluatoren agieren überwiegend im ikonischen Modus und sind strukturell blind für die beiden letzteren. Um diese strukturelle Blindheit zu überwinden, schlagen wir SemJudge vor. Dieser Evaluator bewertet explizit symbolische und indexikalische Bedeutung in HGI mittels eines hierarchischen Semiosis-Graphen (HSG), der den Prozess der Bedeutungsgenerierung vom Prompt zum generierten Artefakt rekonstruiert. Umfangreiche quantitative Experimente zeigen, dass SemJudge auf einem interpretationsintensiven Benchmark für bildende Kunst stärker mit menschlichen Bewertungen übereinstimmt als bisherige Evaluatoren. Nutzerstudien belegen weiterhin, dass SemJudge tiefgründigere, einsichtigere künstlerische Interpretationen liefert und so den Weg ebnet für eine GenArt, die über die Erzeugung von "hübschen" Bildern hinauswächst und zu einem Medium wird, das komplexe menschliche Erfahrungen ausdrücken kann. Projektseite: https://github.com/songrise/SemJudge.
English
Interpretation is essential to deciphering the language of art: audiences communicate with artists by recovering meaning from visual artifacts. However, current Generative Art (GenArt) evaluators remain fixated on surface-level image quality or literal prompt adherence, failing to assess the deeper symbolic or abstract meaning intended by the creator. We address this gap by formalizing a Peircean computational semiotic theory that models Human-GenArt Interaction (HGI) as cascaded semiosis. This framework reveals that artistic meaning is conveyed through three modes - iconic, symbolic, and indexical - yet existing evaluators operate heavily within the iconic mode, remaining structurally blind to the latter two. To overcome this structural blindness, we propose SemJudge. This evaluator explicitly assesses symbolic and indexical meaning in HGI via a Hierarchical Semiosis Graph (HSG) that reconstructs the meaning-making process from prompt to generated artifact. Extensive quantitative experiments show that SemJudge aligns more closely with human judgments than prior evaluators on an interpretation-intensive fine-art benchmark. User studies further demonstrate that SemJudge produces deeper, more insightful artistic interpretations, thereby paving the way for GenArt to move beyond the generation of "pretty" images toward a medium capable of expressing complex human experience. Project page: https://github.com/songrise/SemJudge.