机器眼中的艺术史形态

Jan, 2018

The Shape of Art History in the Eyes of the Machine

Ahmed Elgammal, Marian Mazzone, Bingchen Liu, Diana Kim, Mohamed Elhoseiny

TL;DR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。

Abstract

How does the machine classify styles in art? And how does it relate to art historians' methods for analyzing style? Several studies have shown the ability of the machine to learn and predict style categories, such as Renaissance, Baroque, Impressionism, etc., from images of paintings. This implies that the machine can learn an internal representation encodin

machine learning art style classification convolutional neural networks visual analysis art history

发现论文，激发创造

艺术风格的学习性代表

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

一种神经风格艺术算法

通过使用深度神经网络对任意图像的内容和风格进行分离和重组，我们引入了一种人工系统，为艺术形象的创作提供了神经算法，并且在视觉感知的其他关键领域中的近乎人类性能展示了深度神经网络模型的类生物启发式视觉模型的特定任务的卓越表现的显着相似之处，为人类创作和感知艺术意象的算法理解提供了一条前进的路径。

Aug, 2015

图像风格识别

本研究探讨了计算机视觉中图像风格对于图像感知的影响，通过使用多层网络训练得出最佳效果的图像特征进行分类，并成功将这些分类器扩展到 tag-based image search 中，以提高搜索的效果。

Nov, 2013

深度集成艺术风格识别

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

从风格和语言模型中代理学习视觉概念的艺术形式分析

本文介绍了一种机器学习系统，可以用视觉元素和艺术原则对美术作品进行量化分析。通过代理学习机制，该框架可以解决诸如高视觉复杂性和训练数据不足的实际限制问题，并在 Visual Concepts 数量化方面得到证实。

Jan, 2022

机器学习和深度学习模型在多画家识别中的协同作用

这篇论文研究了利用人工智能和神经网络技术实现数字化艺术作品的分类和管理，以及通过使用迁移学习和机器学习方法实现画家的自动识别和分类，实现了 85% 的分类准确率。

Apr, 2023

机器学习风格引导下的机器人绘画：学习人类艺术家的笔触技巧

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

一种用于绘画中图标分类的数据集和卷积模型

本文介绍了一种新的绘画数据集，使用卷积神经网络对基督教宗教绘画中的圣徒图像进行分类，并得到了良好的性能表现。研究结果表明，这种分类器可以有效地识别每个圣徒的独特视觉特征，以进行图像自动解析和比较，以支持图标学的研究和自动艺术作品注释。

Oct, 2020

数字艺术史

重新审视 Johanna Drucker 的问题，“数字艺术史是否存在？” 并基于大规模、基于转换器的视觉模型的出现，分析其认识论含义和方法论功能，揭示数字艺术史存在一种即将到来的 “数字” 意义的范式转变。

Aug, 2023

3D 神经风格化的进展：一份综述

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