本文提出了一种名为 Paint Transformer 的基于 Transformer 结构的神经网络框架，通过一个前馈网络来预测笔画集合的参数，从而实现在短时间内生成一个 512 * 512 的绘画。此外，作者设计了一个自学习流程，使其可以在没有任何预训练数据的情况下进行训练，并取得了比以往更好的绘画性能。

Aug, 2021

提出了一种语义引导的有效的神经网络模型，利用二级绘画过程来区分前景和背景笔画方法，并通过使用领域定位和空间转换器网络来保证前景对象的位置和比例不变，最后通过最大化基于感兴趣对象的导引反向传播来放大感兴趣对象的差异特征，从而实现了对前景对象属性变化的处理，能够在多前景对象的真实世界和虚拟场景中产生高质量的图像。

Nov, 2020

通过使用神经绘画家创造了一种新颖的基于人工画家的可微分的图像生成方法，同时提出了新的内容损失的概念，允许艺术媒介自然地决定由神经绘画生成的样式。

Apr, 2019

本研究探讨基于强化学习代理的图像生成模型，使用鉴别器网络提供奖励，并通过在模拟环境中训练控制器获得逼真的图像。研究发现，适当约束的生成代理可以学习产生带有一定视觉抽象度的图像，从而使一些绘画的方面从模拟实现，无需外部监督、模仿或社交引导，展示了该框架在创意应用中的潜力。

Oct, 2019

该研究提出将深度 Q 学习神经网络引入艺术绘画机器人应用程序，旨在研究复杂控制策略对基础艺术绘画机器人应用程序性能的影响，并为将 DQN 方法引入复杂艺术绘画机器人框架的未来研究提供了首个基准。

Feb, 2024

通过 Stroke Demonstration 和 deep Q-learning (SDQ) 提出了 Doodle-SDQ 两阶段学习框架，该系统可以产生一系列的笔触行为来复制参考图，并模仿人类画家的行为。实验结果证实了，(1) 在没有直接的逐步行动监督的情况下可以学会 doodling 的技能；(2) Stroke Demonstration 通过监督学习的预训练对于提高性能是很重要的。同时 Doodle-SDQ 还可以有效地在不同类型的媒介中产生逼真的图像，包括草图和水彩画。

Oct, 2018

本文提出了一种基于深度强化学习 (DRL) 的彩色增强方法来明确地建模人类修饰过程的阶段性特征，其中颜色增强过程被视为一个马尔科夫决策过程，通过全局颜色调整操作定义其中的具体行为。我们通过 “扭曲和恢复” 训练方案，以高质量的参考图像作为训练数据，证明了我们的方法产生了不错的增强结果，并且我们的 DRL 方法比以前的监督方法更适合于该训练方案。

Apr, 2018

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

本文提出了一种基于深度强化学习的两步神经框架来模拟 Maya 软件中的建模过程，并且采用新颖的训练算法来 efficient 训练模拟器，从而达到模拟生成 3D 模型的效果。

Mar, 2020

通过生成对应的画笔笔触，我们应用大规模语言模型（LLMs）将用户的文本描述格式转化为草图，实现了自动一代图片生成的先驱性工作。

Aug, 2023