数字艺术史
研究了卷积神经网络在艺术风格分类任务中的应用,并通过与艺术史概念的相关性分析评估了其学习表征。学习表征显示艺术风格的视觉变化可以由少数基本因素解释,这些因素与 Heinrich Wölfflin 提出的风格模式相关,并且网络能在没有关于时间和历史背景等信息下,将艺术品放在一个平滑的时间数组里。
Jan, 2018
大规模语言模型在数字人文研究中的应用深入探讨,揭示了它们在古籍保护、智能处理和学术创新方面的重要潜力,通过具体案例展示了人工智能在古籍组织、分类和内容生成中的辅助作用,并探索了在艺术创新和文化遗产保护中的应用前景,最后探讨了由人工智能技术引发的数字人文领域中技术、信息和社会相互交融的挑战和机遇。
Apr, 2024
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。
Feb, 2023
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
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
此篇研究论文讨论了基于 transformer 的 AI 文本生成系统(例如 GPT-3)和基于 AI 的文本到图像生成系统(例如 DALL-E 2 和 Stable Diffusion)如何改变数字艺术和电子文学领域,并探讨了由这些系统创造的新文学表达形式。研究者们将这些新的数字写作环境解读为一种文学方式,探索了这些环境对新文学艺术实践的不同潜力;同时,一个数字文化理论家研究了这些新兴文体的训练数据集的来源和影响。
May, 2023
这篇论文探讨了使用 Transformer 模型在艺术认证方面的应用,通过与 EfficientNet 模型的比较,发现 Vision Transformers 在艺术模拟品检测方面表现优秀,可提高计算机辅助艺术认证的可靠性。
Jul, 2023
我们提出了 DEArt,它是一个针对文化遗产绘画的检测数据集,检测物体和姿势分类,是一个与众不同的数据集,具有 69 个类别和 12 个姿势,并且可以通过迁移学习实现与最先进模型相媲美的精度。
Nov, 2022
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