颠覆性的数字艺术:首尔国立大学的研究人员引入了一种利用强化学习创作拼贴的新方法

颠覆传统的数字艺术:首尔国立大学研究人员创新利用强化学习技术创作拼贴的新方法

艺术拼贴创作与人类艺术密切相关,引发了对人工智能(AI)的兴趣。挑战在于需要超越现有的像DALL-E和StableDiffusion这样的AI工具生成的单纯拼贴模仿。首尔大学的研究人员着手培训一款能够自主创作真正拼贴作品、复制人类艺术家遵循的复杂步骤的AI代理。

现有的AI工具可以生成类似拼贴的图像,但它们需要真正的拼贴创作过程的真实性。首尔大学的研究团队引入了一种开创性的方法,利用强化学习(RL)训练AI代理进行“真实拼贴”的制作。与基于像素的方法不同,该方法涉及拆分和粘贴材料以复制知名艺术品和其他图片。研究人员摆脱了现有工具的限制,深入研究RL,使AI代理具备理解和执行拼贴创作的微妙步骤的能力。

研究人员的方法涉及训练RL模型与画布进行交互,每一步决策都会影响到拼贴创作过程。在训练过程中,代理器随机接收分配的图像,并学会适应任何目标或材料。通过多样的剪切和粘贴选项,RL代理器尝试不同的材料,以确定哪些材料能够生成类似目标图像的拼贴作品。奖励系统随着时间的推移而不断发展,主要增强代理制作的拼贴作品与目标图像之间的相似度。

一个重要的方面是开发可微分的拼贴环境,以应用基于模型的RL。这个环境可以使代理器轻松跟踪拼贴创作过程的动态。团队的模型在不同的图像和情景中展现出良好的普遍性。该架构因其自主性而脱颖而出,它不需要样本作品或演示数据,强调了RL所提供的无数据学习领域的潜力。

评估方法既包括用户研究,也包括基于CLIP的评估。结果表明,与其他基于像素的模型相比,该方法表现出卓越性能。该方法代表了培养出与人类艺术相似且具有创造力的AI生成的拼贴作品的重大突破。

总之,首尔大学的研究团队成功解决了利用强化学习训练AI代理进行真实拼贴创作的挑战。他们的创新模型超越了现有的基于像素的方法,展示了RL在使代理器能够自主学习和执行拼贴创作的微妙步骤方面的潜力。该方法经过用户研究和客观评估验证,并在AI生成的艺术领域取得了实质性的进展,呈现出人类艺术深度的AI生成艺术的新途径。这一突破为AI在艺术创作中开辟了新的可能性,展示了机器在视觉艺术世界中能够有意义地做出贡献的未来。