Feb, 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

PDF
TL;DR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。
generative machine learningai-generated artcomparative analysisart principleslikability and emotions
发现论文，激发创造
  • 有机还是扩散型：我们能区分人类艺术和 AI 生成的图像吗？

    生成对抗网络图像与人类创作之间的区分是个具有挑战性的问题，本论文通过使用监督学习的分类器以及艺术家使用其艺术技巧的方法，对现代生成模型的性能进行了研究，并分析了自动化检测器和人类团队的结合可以提供最佳的准确性和鲁棒性。

    Feb, 2024

  • 情感画像：通过 AI 生成艺术作品赋予自我表达能力

    该研究探讨了生成人工智能在反映作者认知过程、进行创意表达方面的潜力和限制，发现根据创意、美学、新颖性、娱乐性和深度等标准，AI 生成的艺术作品能够理解人类意图和基于情感进行视觉表现，并发现过度表现某些元素或刻板印象的图像对于 AI 的对齐性有负面影响。研究结果表明，AI 在促进创造力和自我情感表达方面具有潜力，而采用生成 AI 的框架可以帮助设计相关领域的人工智能干预措施（例如心理健康教育、治疗和咨询）。

    Apr, 2023

  • 人工智能与美学判断

    生成人工智能产生以人类表达风格为基础的创造性产出，我们认为现代生成人工智能模型的输出所引起的体验是通过组织我们与艺术作品的互动的审美判断来进行的。

    Aug, 2023

  • 每个人都能成为毕加索？探究人类与人工智能绘画神话的计算机框架

    该论文研究了人工智能艺术与人类艺术之间的差异，结合神经潜在空间和审美特征，以及个体性巴勃罗・毕加索的分析，发掘了人类艺术家在创新技术方面的优势，并指出了应更加注重美学和人类艺术家的参与来提高 AI 艺术的水平。

    Apr, 2023

  • 从笔触到像素：AI 创作艺术中深度神经网络综述

    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

  • 对抗性人工智能艺术：理解、生成、检测和基准测试

    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

  • 研究关于 AI 生成艺术作品的艺术家情绪

    通过对 7 位艺术家的访谈和社交媒体平台 Reddit、Twitter 和 Artstation 上艺术家的公开帖子进行分析，我们研究了艺术家对人工智能生成的艺术的情感。我们报告了艺术家对人工智能生成艺术作品的主要关注和希望，为包容性地开发这些工具提供了前进方向。

    Nov, 2023

  • 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

  • 艺术与生成人工智能的科学：更深入的探究

    生成式人工智能作为新媒介，其创造力解放能力将根本性地改变创作过程，并提出了对文化，经济，法律，算法和技术创造力互动的跨学科科学研究和政策决策。

    Jun, 2023

  • AI 生成图像：‘现成品’的新时代

    本文旨在研究生成 AI 系统如何创造艺术品，探讨 AI 系统生成的图像是否被视作艺术品，分析 AI 生成的图像在哲学上的地位并通过视觉属性展现作为 “就绪品” 的艺术性。

    Jul, 2023