将多样性引入 AI 艺术
生成对抗网络(GANs)在生成高质量的图像方面取得了巨大成功,并因此成为生成艺术图像的主要方法之一。本研究首先使用 Creative Adversarial Networks(CANs)架构的 GAN 进行训练,然后采用演化方法在模型的潜在空间中导航以发现图像。通过使用自动美学和交互式人类评估指标对生成的图像进行评估,并提出一种基于多个参与者的合作评估的人类交互式评估案例。此外,我们还尝试了一种智能变异算子,通过基于美学度量的局部搜索来提高图像的质量。通过比较自动和协作交互进化产生的结果来评估该方法的有效性。结果表明,当演化过程由协同人类反馈引导时,所提出的方法能够生成高度吸引人的艺术图像。
Mar, 2024
本文使用生成对抗网络的生成结果作为认知组件,以增强角色设计师在为不同的多媒体项目概念化新角色时的创造力。同时,本文通过在新的可视化角色数据集上使用单个图形处理器从头开始训练不同的 GAN 架构(包括转移学习和数据增强技术),并使用混合方法评估了生成视觉品质对角色设计师机构概念化新角色的认知价值。研究表明,本方法对该上下文的实施非常有效,将作为一个由人与机器共同设计的工作流程进一步评估。
May, 2023
本文探讨了对生成对抗网络中出现的不稳定性和模态崩溃问题进行改进的方法,通过引入进化计算的原理,将两种促进训练多样性的方法(E-GAN 和 Lipizzaner)进行混合,提出了一种名为 Mustangs 的进化 GAN 训练方法,该方法通过结合了多样性提升的变异和种群方法,实现了更准确更快速地训练 GAN 模型。
May, 2019
本研究提出了一种利用生成对抗网络通过增加生成的艺术品的新颖性从而实现创造性创作的新系统,研究表明该系统生成的艺术品与当代艺术家创作的艺术品在多个方面得到了人类受试者的高度评价。
Jun, 2017
该研究旨在通过使用基于条件生成对抗网络(CGAN)的新框架来提高图像字幕生成的自然性和多样性,其中一个生成器可以根据图像生成描述,并使用一个评估器来评估描述与视觉内容的匹配程度。
Mar, 2017
通过在 CLIP 空间中找到目标文本的语义变化,设计一种新颖的方向矩损失函数,以匹配图像和文本方向分布的一、二阶矩,并引入弹性权重合并和关系一致性损失,确保了零样本 GAN 适应中样本多样性和质量的最新最有效方法。
Aug, 2023
本研究探讨了结合不同损失函数的图像生成模型在时尚生成中的创新性。通过设计一个评估协议,结合自动度量和人类实验研究,本研究发现,相对于 Creative Adversarial Networks 所采用的创新性评估标准,本研究所提出的创新性标准更具创意性。以及在新颖性和喜好性方面,本研究所提出的损失函数得分最高。
Apr, 2018
本研究提出了一种新的方法,改进了生成对抗网络(GANs)训练的能力,可以根据文本输入合成多样的图像,这种方法基于条件版本的 GANs,扩展了前人利用判别器中的辅助任务,通过负样本采样来构造积极和消极的训练样例,通过牛津 102 花卉数据集的实验结果表明,生成的图像更具多样性,特别是当负样本逐渐靠近语义空间中的积极样本时。
Dec, 2018
提出了一种基于生成对抗网络驱动的多目标进化算法,通过对父代和子代解进行分类和采样,充分利用生成对抗网络进行有限训练数据的高维优化,取得了理想的效果
Oct, 2019
本文提出了一种新的 GAN 框架,名为进化生成对抗网络 (E-GAN),该框架使用不同的对抗训练目标作为突变操作,通过进化一群生成器来适应环境 (判别器) 以实现稳定的 GAN 训练和改进的生成能力,并利用评估机制来衡量生成样本的质量和多样性,从而始终保留最佳基因用于进一步的训练,从而提高了 GAN 的整体训练效果和生成性能。
Mar, 2018