通过使用生成 AI 进行图像生成，我们收集并分析了超过 300 万个提示和它们生成的图像，通过自然语言处理、主题分析和可视化方法，我们旨在共同理解人们如何使用文本提示，这些系统对艺术家的影响以及它们所推广的视觉文化。我们的研究表明，提示主要关注表面美学，强化文化规范、流行的传统表达和意象。我们还发现许多用户关注流行的主题（如制作填色书、幻想艺术或圣诞卡片），这表明所分析的系统的主要用途是娱乐而非艺术性。

Jan, 2024

通过介绍 Artbreeder 上由 95K 用户生成的 680 万图片和 180 万提示的全面数据集，我们引入了一系列任务来识别多样的艺术风格、生成个性化内容并根据用户兴趣推荐风格。通过记录超越传统类别如 'cyberpunk' 或 'Picasso' 的独特用户生成风格，我们探索了用户全球集体创造心理的潜能。我们还评估了不同的个性化方法以增强艺术表达，并引入了一个风格地图集，以公共用户的方式呈现这些模型。我们的研究展示了文本到图像扩散模型发现和推广独特艺术表达的潜能，进一步使 AI 在艺术中具有民主化，促进更加多样和包容的艺术社区。数据集、代码和模型可以在此 https URL 获取，采用公共领域（CC0）许可证。

Jun, 2024

使用神经生成能力和感知注入技术，本研究提出了一种无需提示的生成方法，使用户能够自动生成个性化的具有自定义艺术风格的画作内容。

Feb, 2024

该研究论文提出了一种系统性尝试，以理解和检测在对抗场景中生成的 AI 图像（AI 艺术）。该论文收集和分享了一个名为 ARIA 的数据集，其中包含来自四种热门 AI 图像生成器生成的真实图像和对应的人工对应图像。通过对 ARIA 数据集进行用户研究和基准测试，评估了真实世界用户和现有 AI 图像检测器在识别这些图像上的能力，并介绍了一个 ResNet-50 分类器，并评估了它在 ARIA 数据集上的准确性和可迁移性。

Apr, 2024

本研究使用基因算法，结合人类反馈，学习组合最有用的提示关键字，以改善使用描述生成艺术图像的美感。

Sep, 2022

通过研究用户与 Text-to-Image 模型的迭代交互，分析了用户提示的动态，发现提示在迭代过程中趋于特定特征。进一步研究表明，这种趋同既可能是用户因忽略重要细节而调整，也可能是为适应模型的偏好而产生具有特定语言风格的更好图像。初步证据显示这两种可能性都存在。用户数据偏好模型的情况引发对进一步训练中重复使用用户数据的担忧，因为提示可能偏向于特定模型的偏好，而不是与人类意图和自然表达方式相一致。

Nov, 2023

通过大型语言模型利用 Prompt-for-Prompt 生成社交媒体创意，评估人工智能在创造型任务中的能力，超过人类专家并提高社交媒体图像创作的效果。

Mar, 2024

探讨人工智能（AI）训练数据集中的战略行为对创作者行为的影响，通过研究 Unsplash 平台上的摄影师反应，发现对于那些作品被纳入 AI 数据集的摄影师来说，离开该平台的比率更高，并且上传新作品的速度明显减慢。此外，影响的用户改变了对平台的贡献的多样性和新颖性，对于供 AI 训练使用的作品存量带来了长期影响。这些发现凸显了版权持有人利益与促进技术前沿创新之间的权衡，并对版权和 AI 政策提出了影响。

Apr, 2024

未来，艺术和人工智能（AI）之间的融合充满了前景，通过技术的进步，AI 在设计中的使用越来越广泛，艺术实践可能不再是一种仅限于人类的艺术形式，而是成为一种数字化整合的体验。通过增强的创造力和协作，艺术和 AI 可以共同努力创造出视觉上吸引人且满足艺术家和观众需求的艺术产出。虽然融合将走多远还难以预测，但艺术与 AI 很可能会相互影响。本文的研究人员通过描述 HCI 研究人员和 AI 之间试图摆脱创造障碍的互动，提出了一次第一人称研究，以探索 AI 如何支持艺术家的创造力，并在这种情境中什么是可解释的。结果引发了进一步讨论和探索，涉及到 XAIxArts 社区中透明化的归因、创作过程、伦理问题、灵感与抄袭等方面。

Aug, 2023

本研究探讨了基于文本提示的生成式机器学习系统，分析了语言描述的局限性、数据集的影响以及物质性和具体化等因素，最终总结了基于文本提示的系统所带来的创造性可能性，询问它们是否可以被视为一种新的艺术媒介。

Jan, 2023