Feb, 2023

从笔触到像素：AI 创作艺术中深度神经网络综述

PDF
TL;DR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。
ai-generated artdeep neural networksdiffusion modelsconvolutional networkscomputer science
发现论文，激发创造
  • 使用深度卷积网络作为视觉创造中泛化和融合模型

    本篇论文研究了两种最近用于深度学习卷积神经网络中的人工智能算法，旨在探索这些算法作为计算创造力研究工具的潜在价值，分析这两个算法与人类认知科学创造力理论的关系，并对这两个算法的新颖性和美学质量进行了表征。

    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

  • 视觉中的生成人工智能：模型、度量和应用的综述

    这篇综述论文提供了关于生成式 AI 扩散和传统模型的全面概述，主要介绍了它们的基本技术、在不同领域的应用以及所面临的挑战，旨在为研究人员和从业者提供全面了解，并激发未来在这个令人兴奋的人工智能领域的创新。

    Feb, 2024

  • 深度学习与最新应用的调查

    综述了深度学习在计算机视觉、自然语言处理、时间序列分析和普适计算领域的最新模型以及其在解决各个领域问题中的有效性，并介绍了深度学习的基础知识、各种模型类型以及重要的卷积神经网络架构，并讨论了深度学习研究的挑战和未来方向。

    Mar, 2024

  • AI 艺术神经星座：揭示 AI 生成和人类艺术的集体和对比状态

    通过比较分析 AI 生成的艺术与人类艺术，揭示了生成式机器学习在艺术创作中的创造潜力，发现 AI 生成的艺术作品与现代艺术概念相关，同时通过色彩构成和主题熟悉度来推测艺术品的喜好和情感体验。

    Feb, 2024

  • 自动理解艺术作品意义的逐步实现：以蒙德里安艺术作品计算分析为例

    本文旨在确定 Deep Neural Networks 在处理抽象语义操作时的局限性，并提出了一种使用认知架构来判断艺术品类别的新的计算方法。

    Dec, 2022

  • 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

  • 视觉计算扩散模型的最新进展

    视觉计算领域因生成人工智能的出现而快速发展，介绍了扩散模型的基本数学概念、稳定扩散模型的实现细节和设计选择，以及包括个性化、条件设定、反转等在内的这些生成人工智能工具的重要方面的综述。此外，它还对基于扩散的生成和编辑的迅速增长的文献进行了全面的概述，按照生成介质的类型进行分类，其中包括 2D 图像、视频、3D 对象、运动和 4D 场景。最后，我们讨论了可用的数据集、度量标准、开放性挑战和社会影响。这个综述为研究人员、艺术家和从业者提供了一个直观的起点来探索这个令人兴奋的主题。

    Oct, 2023

  • 从人工神经网络到深度学习在音乐生成中的历史、概念和趋势

    本文介绍了基于深度学习技术的音乐生成方法，包括早期使用人工神经网络的作品和最近的系统，使用现代深度学习技术和控制手段生成具有不同音乐风格的音乐。

    Apr, 2020

  • 卷积神经网络艺术风格迁移的生成式 AI 模型

    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