人工智能在艺术方面有大突破机器生成的「艺术作品」很受欢迎

当前位置 : 主页 > 艺术艺术 >
人工智能在艺术方面有大突破机器生成的「艺术作品」很受欢迎
* 来源 :http://www.kagezone.com * 作者 : * 发表时间 : 2017-07-17 02:17 * 浏览 :

  本论文的目的是发现艺术生成的计算创意系统,而不需要在创作过程中涉及到人类艺术家,但仍然将人类创意产品融入到学习过程中。艺术生成算法的一个重要组成部分是将他们的创作过程与人类艺术家在时间上产生的艺术相关联。我们相信这是重要的,因为人类的创作过程利用了艺术的先前的经验。一位人类艺术家不断接受其他艺术家的作品,并且一直以来都面对着各种各样的艺术。人类艺术家如何将过去艺术的知识与他们产生新形式的能力结合在一起仍然在很大程度上是未知的,这需要一套理论来建模,如何将艺术风格与艺术创作相结合。

  类似于生成对抗网络(GAN),CAN具有两个对手网络,一个鉴别器和一个发生器。鉴别器可以使用与风格标签(文艺复兴、巴洛克风格、印象派、表现主义等)相关的大量艺术品,并使用它来学习区分风格。生成器无法访问任何艺术品,它从随机输入中生成艺术,但与GAN不同,它从鉴别器接收两个信号,以生成其任何作品。

  2)新作品不应该太新,它不应该远离分布,否则会产生太多的,从而根据Wundt曲线激活厌恶系统并落入负面特征范围;

  深层神经网络最近在推动各种应用领域的人工智能方面发挥了转型作用。特别需要指出的是,人类已经提出了几个具有生成新颖图像以模拟给定训练分布的生成深层网络。生成对抗网络(GAN)已经非常成功地实现了这一目标。我们认为,这样的网络在其原始设计中产生创意作品的能力有限。灵感来自于马丁代尔的理论,在本文中,我们提出修改GAN的目标,使其能够通过最大化偏离已建立的风格同时最大限度地减少偏离艺术品分布来创造创意艺术。

  科林·马丁代尔(Colin Martindale,1943-2008)提出了一种解释新艺术创作的心理学理论。他假设,在任何时候,创意艺术家都试图增加艺术的潜力来推动改变惯性。然而,这种增长必须是最小的,以避免观察器的负面反应(最不努力的原则)。马丁代尔还假设,当艺术家在风格的角色中发挥其他手段时,风格的突破就是增加艺术的潜力的一种方式。本文提出的方法灵感来自于马丁代尔的最小努力原则和他对风格的分析。在试图解释艺术进步的理论中,我们发现马丁代尔的理论是在计算上可行的。

  在有关计算创意的相关文献中,提出了不同的算法,专注于发现各种有效的探索创意空间的方法。几种方法已经使用进化过程,其中算法通过生成候选者进行迭代,使用适应度函数来评估它们,然后修改它们以改善下一次迭代的适应度分数。通常,该过程在遗传算法框架内完成。正如DiPaola和Gabora 2009所指出的,任何算法的挑战都集中于“如何编写具有审美意义的逻辑适应度函数”。一些早期的系统在回中使用了一个能够引导进程的人类。在这些互动系统中,计算机探索创意空间,人类扮演观察器的角色,其反馈对于推动过程至关重要。而最近的系统则强调了创意过程中和认知的作用。

  自从人工智能崛起以来,科学家一直在探索机器产生诗歌、故事、笑话、音乐、绘画等人类创意产品的能力,以及对于创造能力的解决方案。这种能力才是真正显示人工智能算法是否智能的基础。在视觉艺术方面,已经提出了几种系统,不仅在AI和计算创意领域,而且在计算机图形学和机器学习中,自动创建艺术的算法亦有研究。

  我们提出了一个新的艺术创作系统。该系统通过观察艺术并学习风格来生成艺术作品,并通过偏离学习的风格增加生成的艺术的潜力而变得创造性。我们建立了生成对抗网络(GAN),它已经显示出学习生成模拟给定分布的新颖图像的能力。我们认为,这样的网络在其原始设计中产生创意产品的能力有限。我们提出对其目标的修改,使其能够通过最大限度地偏离已建立的风格和最小化偏离艺术品分布来创造创意艺术。我们进行实验,比较人类测试者对所产生的艺术的反应,以及他们对艺术家创造的艺术的反应。结果表明,人类测试者无法将系统生成的艺术作品与当代艺术家所产生的艺术区分开。人类测试者甚至在某些程度上,对机器生成的图像产生了更高的评价。

  在提出的创意对抗网络(CAN)中,发生器被设计为接收来自鉴别器的两个信号,作为两个相互矛盾的力量,以实现三点:

  深度学习如何像人类一样产生“创造力”,一直是AI科学家们研究的热点。罗格斯大学和查尔斯顿学院近日联合发布了一篇论文,发布了一种全新的深度学习模型——创意对抗网络(Creative Adversarial Networks,CANs)。CAN通过学习风格和偏离风格规范来生成“艺术作品”。该论文是在2017年6月20日至6月22日在亚特兰大举行的第八届国际计算创意大会(ICCC)发布的论文的扩展版本。

  发生器接收的第二个信号是关于鉴别器可以将生成的艺术分类成已建立样式的信号。如果发生器生成了鉴别器认为是艺术的图像,并且也可以容易地分类成已建立的样式之一,则发生器将鉴别器以相信它产生符合已建立样式的实际艺术。相比之下,创意发生器将尝试产生混淆鉴别器的艺术。一方面,它试图鉴别器认为它是“艺术”,另一方面它试图混淆鉴别器所产生的作品风格。

  第一个信号是鉴别器对“艺术与非艺术”的分类。在传统的GAN中,该信号使得发生器能够改变其权重,以产生更频繁地鉴别器关于它是否来自相同分布的图像。由于我们案例中的鉴别器是对艺术进行了训练的,所以这将表别器是否认为所产生的艺术来自与知道的实际艺术相同的分布。在这个意义上,这个信号标示出鉴别器是否认为呈现给它的图像是“艺术还艺术”。由于发生器仅接收到该信号,所以它将最终以产生将模拟艺术的图像。

  这两个信号是矛盾的力量,因为第一个信号推动发生器产生鉴别器接受为“艺术”的作品,但是如果它在已建立的样式的规则中成功,则鉴别器也将能够对其风格进行分类。 那么第二个信号将会对发生器造成严重的惩罚。 这是因为第二个信号推动发生器产生风格模糊的作品。 因此,这两个信号在一起应该推动发生器探索靠近艺术分布的创意空间。