Argira Aliasing Dataset v1 — Chromatic Variance Predicts Emergent Spectral Roughness in Deterministic Image Sonification

Comparative spectral analysis of 10 paintings sonified with two systems: the original museum pipeline and the Argira v23 deterministic system. Key finding: hue_std (chromatic variance) predicts residual spectral roughness in the Argira system with r = 0.8477 (n = 10, r² = 0.718). This correlation was not explicitly designed; it emerged from the mathematical structure of the sonification pipeline. Pictorial texture (sfumato, flat color, impasto, hard chromatic transitions) appears to translate automatically into acoustic roughness without being encoded as an explicit target parameter. Discovery method: the relationship was identified through comparative spectral analysis between the original mono pipeline and the new Argira v23 stereo implementation. Systematic differences in high-frequency spectral energy revealed the emergent pattern. Method: spectral energy measured by frequency bands (0–2 kHz, 2–5 kHz, 5–8 kHz, >8 kHz). Residual spectral roughness defined as energy above 8 kHz as percentage of total spectral energy. hue_std values obtained from dataset v17. Paintings analyzed: Malevich, Rembrandt, Botticelli, Hopper, Monet, Vermeer, Dalí, Van Gogh, Degas, Kandinsky. Note: Vermeer appears as an outlier (hue_std = 0.212, residual roughness = 2.0%), consistent with the perceptual smoothness of the painting and potentially related to image resolution and subpixel chromatic transitions in the dataset. ─── Análisis espectral comparativo de 10 pinturas sonificadas con dos sistemas: el pipeline original del museo y el sistema determinista Argira v23. Hallazgo principal: hue_std (varianza cromática) predice la rugosidad espectral residual en el sistema Argira con r = 0.8477 (n = 10, r² = 0.718). Esta correlación no fue diseñada explícitamente; emergió de la estructura matemática del pipeline de sonificación. La textura pictórica (sfumato, color plano, impasto, transiciones cromáticas abruptas) parece traducirse automáticamente en rugosidad acústica sin haber sido codificada como parámetro objetivo. Método de descubrimiento: la relación se identificó mediante análisis espectral comparativo entre el pipeline mono original y la nueva implementación estéreo de Argira v23. Diferencias sistemáticas en la energía espectral de alta frecuencia revelaron el patrón emergente. Método: energía espectral medida por bandas de frecuencia (0–2 kHz, 2–5 kHz, 5–8 kHz, >8 kHz). Rugosidad espectral residual definida como energía por encima de 8 kHz como porcentaje de la energía espectral total. Valores de hue_std obtenidos del dataset v17. Pinturas analizadas: Malevich, Rembrandt, Botticelli, Hopper, Monet, Vermeer, Dalí, Van Gogh, Degas, Kandinsky. Nota: Vermeer aparece como outlier (hue_std = 0.212, rugosidad residual = 2.0%), coherente con la suavidad perceptiva de la obra y posiblemente relacionado con la resolución de imagen y las transiciones cromáticas subpíxel del dataset. ─── Software (v23): https://doi.org/10.5281/zenodo.20234082Dataset v17: https://doi.org/10.5281/zenodo.20126917Paper (ICAD 2026): https://doi.org/10.5281/zenodo.20123821 License: CC BY-NC 4.0 | Author: Jose Ranero García | ORCID: 0009-0009-3168-6379 Addendum — Validación cruzada independiente / Independent Cross-Validation Este dataset documenta una segunda correlación entre hue_std y rugosidad espectral residual (r=0.8477, r²=0.718, n=10) que no fue diseñada explícitamente, emergió del análisis comparativo entre el pipeline mono original y la implementación estéreo Argira v23. Su significado metodológico va más allá del hallazgo aislado:La correlación principal de Argira (hue_std → Ds, r=0.9289, N=47) podría ser cuestionada como circular — el algoritmo fue construido para que la variabilidad cromática predijera complejidad sonora, por lo que la correlación alta podría reflejar diseño, no una propiedad real de la imagen. La correlación emergente de este dataset refuta esa objeción. La rugosidad espectral residual no es un parámetro del sistema, es una consecuencia física de la interacción entre armónicos cuando el espectro es denso. Nadie la programó. Apareció sola. Que hue_std prediga tanto Ds (por diseño) como rugosidad espectral (por emergencia) por dos caminos matemáticamente independientes significa que la correspondencia entre estructura cromática y estructura acústica es una propiedad de la imagen, no una decisión del algoritmo. Pregunta abierta: ¿Es la rugosidad acústica una propiedad universal de la textura pictórica, independiente del método de sonificación? Los datos apuntan a que sí. Vermeer como outlier es consistente con esa hipótesis, su técnica de glacis translúcidos produce transiciones cromáticas fundamentalmente distintas al impasto de Van Gogh o los planos saturados de Kandinsky. Trabajo futuro: Replicar el análisis sobre el dataset completo (N=47) y con algoritmos de sonificación alternativos para determinar si la correlación hue_std → rugosidad espectral es robusta al método o específica de Argira. This dataset documents a second correlation between hue_std and residual spectral roughness (r=0.8477, r²=0.718, n=10) that was not explicitly designed, it emerged from comparative spectral analysis between the original mono pipeline and the Argira v23 stereo implementation.Its methodological significance extends beyond the isolated finding:Argira's primary correlation (hue_std → Ds, r=0.9289, N=47) could be challenged as circular — the algorithm was built so that chromatic variance would predict sonic complexity, meaning the high correlation might reflect design rather than a real property of the image. The emergent correlation in this dataset refutes that objection. Residual spectral roughness is not a system parameter it is a physical consequence of harmonic interactions when the spectrum is dense. Nobody programmed it. It appeared on its own. That hue_std predicts both Ds (by design) and spectral roughness (by emergence) through two mathematically independent paths means that the correspondence between chromatic structure and acoustic structure is a property of the image, not a decision of the algorithm. Open question: Is acoustic roughness a universal property of pictorial texture, independent of the sonification method? The data suggest yes. Vermeer as an outlier is consistent with this hypothesis, his glazing technique produces chromatic transitions fundamentally different from Van Gogh's impasto or Kandinsky's saturated planes. Future work: Replicate the analysis on the full dataset (N=47) and with alternative sonification algorithms to determine whether the hue_std → spectral roughness correlation is robust to method or specific to Argira.