人工智能美学 算法美学 指南v1.0
智能是人类的思维能力,科学家将人类思维分成三种:
抽象/逻辑思维
形象/直感思维
灵感/顿悟思维
逻辑思维是目前人工智能实现效果最好的思维方式,一般我们把此类也称为计算思维,人工智能在计算能力、精准程度、图像识别以及简单重复性劳动等方面已经超越人类水平。
在人类智能中,与计算思维相距最远的莫过于人类的情感、创造力、想象力这些思维能力,而这些能力往往体现在艺术创作之中。
01
算法美学
如果我们把创造力解释为一种 “算法”,这是不是能够解决人工智能的美学难题呢?我们可以把人工智能当作从美学角度理解人类创造力的钥匙,这样一来,美学的研究对象就不再仅限于人类,还包括人工智能,算法与创造力之间形成的一种互动关系。更具体的研究范围,可以参考陶锋提出的一些思考。
主要研究范围
陶锋提出了人工智能美学的一些思考,介绍到人工智能美学研究主要包括:
人工智能对人类感性和艺术的模拟、人工智能艺术的风格与鉴赏、人工智能视野下人类情感和艺术本质问题等。
研究方法主要是哲学美学的,并需要结合诸多跨学科如脑科学、神经科学、生物进化等理论以及人工智能领域最新进展来进行研究。
有一个典型的案例是Facebook的CAN(Creative Adversarial Network,创造性对抗网络)。
CAN与传统的GAN的不同在于,它在鉴别器中设置了两种标准,一个是“是否是艺术”,另一个是“所生成的艺术属于什么风格类型”,这两种标准被设置成对抗性的,即既要生成属于艺术范畴的图像,又要设置不同于既定风格的图像。
在分析过程中,需要借助美学家、艺术理论家对艺术品和艺术家的情感分析。
关键问题
华东师范大学文学系教授王峰谈到:
有一个关键的问题,就是人工智能的审美建模问题,如何建立一种对于审美判断的算法。不同的建模方式依赖于不同的技术高度,维特根斯坦式似乎更适合当前的大数据式人工智能,而康德式更适合通用式人工智能。
02
美学数据
除了算法美学,还需要对美学数据进行梳理,我们举一个人脸颜值评分的美学依据案例,利用深度学习技术进行人脸颜值评分的美学数据依据:
眼部标准值:眼裂长度28-32MM,两眼间距32-36,高度(包括内眼角48~55°和外眼角60~70°)
鼻根高度是指鼻根在两眼内角连线上的垂直高度,可分为三个等级:
I级(鼻根高度在7 mm以内)
II级(鼻根高度为7~11mm)
III级(鼻根高度为11mm以上)
鼻根部宽度为10mm左右,鼻尖部约12mm。
理想的鼻尖曲率半径为8~12mm,8mm以下或12mm以上均不理想。
03
典型的应用领域
图像上色
是一个人工智能美学方向研究地比较多的方向,典型的方法是使用Pix2Pix算法,用生成对抗网络给线稿上色。
图像质量评分
Google 发布的 NIMA(Neural Image Assessment),用深度卷积神经网络(CNN)来学习人类感知图像质量和审美因素。
NIMA不仅可以用来可靠地评价图像,并且与人类的感知高度密切相关,而且可以帮助适应和优化摄影中的图像编辑/增强算法。
除了择优筛选图像外,NIMA技术还可以用来优化图像设置,以获得比原图更好的效果。
让其理解照片之美,它能对图片的类别进行区分,也能够对图像的质量进行评分。过程就像图片在人类脑海中过滤一样,最终选出最符合人类标准的图片。
人工智能画作
人工智能画作拍出百万 “算法美学”你怕了吗?
近日,西南大学教师在《美术报》发文说,从《埃德蒙·德·贝拉米肖像》作品可以看出,人工智能技术在艺术领域还处在一个艺术学徒阶段,还是需要人类的干预和设计演算,拍卖高价的背后还是离不开艺术市场的推手和运营。
收藏的价值观值得我们思考,真正的收藏,理应是主观能动的,藏家必须在自己与藏品之间搭起良性互动的桥梁。
人工智能,产生更多的绘画作品供人类选择并享用,而不是担心人类被它们超越。
医美
IBM的watson AI在医疗的大举布局,在医美艺术节上提出了AI的议题:
AI与美容会碰撞出怎样的火花?
音乐
20世纪80年代,美国音乐教授库柏设计了名为“音乐智能试验”的程序,通过分析和提取音乐大师作品中的旋律特征并加以重组,使得智能体创作的音乐几乎能与大师作品媲美,而最近索尼公司设计的音乐程序则可以创作出酷似披头士乐队的作品。