通过使用图形引擎和敌对训练，我们设计了一个无监督的生成模型，可以通过输出与真实数据不可区分的渲染图像来提高图像生成的效果。

Apr, 2018

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

通过在基于模型的深度强化学习中应用神经渲染器，我们展示了如何教授机器像人类画家一样用少量笔画来创作精美的油画。实验表明，不需要画家的经验或笔画跟踪数据，可以使用数百个笔画取得出色的视觉效果。

Mar, 2019

利用强化学习模拟墨画过程，从而实现自动绘制和优化画笔行为的总和奖励，从而在模拟试验中验证了模型的有效性。

Jun, 2012

该论文提出了一种新的绘画方法 Intelli-Paint，它可以学习生成具有更加自然的绘画风格的输出幅面。该方法通过引入渐进层叠策略、依据语义指导刷子移动以及刷子规范化策略等 3 个策略，成功地实现了 60-80% 的刷子数目减少而不影响画面的质量。

Dec, 2021

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

本文提出了一种基于空间推理和 RL 框架的学习方法，通过想象视觉目标并选择适当的行动来完成任务，使用单一外部奖励信号和内部动机来学习，该方法在两个仿真 3D 环境中，进行了验证，并在处理物体排列任务时，优于两个扁平化架构和一个分层架构。

Jan, 2020

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

本文提出了一种基于深度对抗图像合成框架，结合草图轮廓和稀疏颜色笔画生成逼真的汽车、卧室或人脸。我们展示了一个基于草图的图像合成系统，允许用户在草图上涂鸦以指示所需对象的首选颜色。该网络是前向的，可以实时看到用户编辑的效果。与最近关于草图到图像合成的研究进行了比较，表明我们的方法可以生成更逼真、更多样和更可控的输出，并且对于灰度图像的用户引导上色也很有效。

Dec, 2016

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