一种神经风格艺术算法
用现代人工智能技术进行数字艺术的新方法是通过神经网络的表现力在图像、视频和 3D 数据中进行样式转换，本文探讨了神经样式化在 3D 数据方面的最新进展，包括场景表示、指导数据、优化策略和输出样式等多个重要设计选择，并通过对 2D 图像神经样式化的背景进行回顾，详细讨论了近期的 3D 数据神经样式化方法，并提供了一个艺术样式化方法的小型基准测试，最后根据调研结果讨论了神经样式化的挑战、未来研究和潜在应用和影响。
Nov, 2023
通过构建一个单一、可扩展的深度网络，可以简洁地捕捉多种不同画作的艺术风格，通过将绘画降维成嵌入空间中的点，该模型具有泛化艺术风格的能力，并允许用户任意结合从单个画作中学习的风格，为建立绘画的丰富模型提供了有用的步骤，以及展示了艺术风格的学习表示结构。
Oct, 2016
该论文综述了一种使用卷积神经网络（CNN）进行风格转换的新技术，通过利用 CNN 学习的深层图像表征，实现了分离和操作图像内容和风格的能力，从而合成了以和谐方式结合内容和风格的高质量图像。
Oct, 2023
本文探讨了 Gatys 等人在文章 “A Neural Algorithm of Artistic Style” 中提出的样式迁移方法，进一步研究了样式空间，以及一些基于网络特征的新的样式表示，并讨论了如何实现局部和潜在的内容感知的样式迁移。
Feb, 2016
本文提出一种方法，将艺术风格的神经算法的灵活性与快速风格转移网络的速度相结合，利用任意内容 / 风格图像对进行实时样式化。通过学习直接从样式图像预测条件实例归一化参数，在多风格转移网络中使用条件实例归一化对最近工作进行了改进。该模型成功地在大约 8 万幅绘画作品上进行了训练，并能够推广到以前未观察到的作品。我们证明，学习到的嵌入空间是平滑的，并在整个非监督学习过程中包含了与绘画相关的丰富结构和组织语义信息。
May, 2017
本文探讨了 AI 生成艺术领域，深入研究了用于创造艺术的各种深度神经网络体系结构和模型，包括传统的卷积网络和最前沿的扩散模型，并且实例展示了这一领域的关键成果，总结了这些模型的优缺点，探讨了目前深度神经网络在短时间内所取得的显著进展，展现了艺术与计算机科学的独特融合。
Feb, 2023
利用深度学习技术，本研究通过 8 种不同的深度网络架构在两个不同的艺术数据集上进行对比实验，并引入一种通过多个模型提取和识别输入的不同特征的可变方法，创造了与现有工作相比更一致的模型，在最大艺术数据集上达到了最新的精确度（WikiArt - 68.55%），同时讨论了数据和艺术风格本身对模型性能的影响。
May, 2024
该论文提出了一种结合机器和人类艺术家的方法，通过生成模型和渲染模型，将艺术家的风格融入机器人绘画中，并证实了该方法的可行性和有效性。
Jul, 2020
研究了卷积神经网络在艺术风格分类任务中的应用，并通过与艺术史概念的相关性分析评估了其学习表征。学习表征显示艺术风格的视觉变化可以由少数基本因素解释，这些因素与 Heinrich Wölfflin 提出的风格模式相关，并且网络能在没有关于时间和历史背景等信息下，将艺术品放在一个平滑的时间数组里。
Jan, 2018