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

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

这篇研究论文探讨了人工智能生成图像的创作方式以及弊端，如训练数据的偏见、合成数据常态化可能导致未来图像生成系统的质量下降，以及文本生成图像对人们想象力、抱负和发展的潜在长期影响。

Jun, 2023

现代扩散模型在人工智能图像生成中处于领先地位。本研究发现，这种成功部分归因于在互联网规模的数据上进行训练，其中包括版权作品。研究通过使用CLIP编码器进行艺术家的模仿，验证模型是否能够成功模仿人类艺术家。

Jul, 2023

利用最新的扩散模型生成创意艺术，通过将文本文档与粗略草图作为辅助信息进行模型训练，取得了令人满意的实验结果。

Jul, 2023

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

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

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

研究了艺术家如何与先进的文本到图像生成人工智能模型进行互动，并使用5P模型（目的、人员、过程、产品和传媒）基于罗兹的创造力框架，比较了概念艺术和图像生成人工智能的艺术过程。通过一个实际案例研究，彰显了该框架，并开发了一种名为“等价”的多屏互动装置，根据稳定扩散和自然语言处理算法将用户的语音输入转换成不断演变的绘画。通过全面分析和案例研究，该研究旨在拓宽我们对艺术家角色的理解，培养对使用图像生成人工智能创作的艺术作品中内在创造力的更深层次欣赏。

Apr, 2024