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

通过合成实验，研究深度学习算法从图像中推断简单的视觉概念，如对称性，作者设计了 “啊哈挑战” 以促进对 Gestalt 风格机器智能的研究。实验表明，相比于深度卷积神经网络，人类能够很快推断出语义概念，但需要更少的示例才能做到这一点。

Sep, 2017

研究人机协作绘图环境，在其中自主代理绘制图像的同时，可选择允许用户直接影响代理的轨迹。我们结合了蒙特卡罗树搜索和图像分类器，测试了浅层模型（例如多项式逻辑回归）和深度卷积神经网络（例如 LeNet，Inception v3）。我们发现，使用浅层模型，代理会产生有限种类的图像，这些图像显然对人类来说是可识别的。然而，使用更深层次的模型，代理产生了更多样化的图像，尽管代理非常有信心（99.99％）地完成了其目标，但在人类眼中，它们大多类似于不可识别的 “随机” 噪声。这与最近的研究有关，该研究也发现 “深度神经网络很容易被愚弄”，我们讨论了可能的解决方案和未来的研究方向。

Dec, 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

本研究从大数据方面对卷积神经网络进行了分析，并在单个和多个网络模型上提出了有效的融合机制，为大数据从业人员提供了最佳实践，从而在保持计算成本较低的情况下，在基准数据集上取得了最先进的结果。

Aug, 2016

本文提出了一种新概念，即通过手动制作像素标签或使用现有解决方案进行语义分割，将生成式架构与语义注释相结合，从而增强生成算法的内容感知性，提高生成的图像质量，避免常见的故障，并扩展这些算法的功能范围。

Mar, 2016

本研究破解了学习理论中的一道难题，证明了深度卷积神经网络（CNN）是通用的，可以通过增加深度来达到任意精度的连续函数逼近，并且在处理大维度数据方面非常高效。同时我们的研究证明了卷积在深度 CNN 中的重要作用。

May, 2018

这篇论文总结了深度学习中最广泛研究的卷积神经网络在不同方面的改进方法和优化技术，并介绍了其在计算机视觉、语音和自然语言处理等领域的应用。

Dec, 2015

本综述介绍了卷积神经网络（CNN）在计算神经科学中作为良好模型的特征，以及这些模型如何在理解和实验生物视觉方面提供启示，并讨论了在基本物体识别之外的视觉研究中使用 CNN 的新兴机会。

Jan, 2020

本文提出了一种基于波浪变换、线性非线性映射、平移不变性和形变稳定性的特征提取器，可以适用于不同的网络层，并且在网络深度增加时特征越来越具有平移不变性；同时，本文还建立了对带限函数、卡通函数和 Lipschitz 函数等信号类应用的变形敏感度边界。

Dec, 2015