XiaoMi-AI文件搜索系统
World File Search SystemArtistic
人工智能艺术中的艺术自主性
引言 对创造力和意图的伦理关怀 自动化在社会中的传统作用是通过外包日常任务来让人类生活更轻松，并且按照传统，它取代人类的工作以降低成本、增加利润。例如，推荐系统利用语言模型来吸引用户参与预测文本系统。然而，由于它改变了人们的写作方式，这种媒介受到了许多批评。研究发现，这些系统让人变得“像机器一样”——从其意图就可以看出这一点（Varshney 2020b）。这促使人们在实施自动化时要伦理关怀人类的属性——其中之一就是创造力。事实上，早在 1964 年，技术学者刘易斯·芒福德 (Lewis Mumford) 就引用了歌德的《魔法师的学徒》来论述：“首先，让我质疑这样一种观点，即自动化在任何意义上都是最终的利益，它在各个方面都如此有益，因此必须加快这一进程并坚持不懈地扩展到每个领域……”如果人类有机体仅按照这一原则发展，……人类将失去思维能力”（Mumford 1964）。在精神分析中，创造力是驱动艺术体验的表达要素或自然人类冲动（Zweig 2012）。它让观众感到惊讶，因为它突破了被认为是现实体验的界限。令人惊讶的是，它推动了创造力的产生，这一点可以通过好奇机器人的人工智能创造系统将其用作创造性行动的内在动机来检验（Saunders et al. 2010）。人工智能艺术，
心灵艺术家：用人类思维创造艺术快照
我们引入了 Mind Artist (MindArt)，一种新颖而高效的神经解码架构，可以以可控的方式从我们的脑海中捕捉艺术照片。最近，使用非侵入性脑记录进行图像重建取得了进展，但由于数据注释的稀缺，仍然很难生成具有高语义保真度的真实图像。与以前的方法不同，这项工作将神经解码转化为最佳传输 (OT) 和表示解耦问题。具体而言，在离散 OT 理论下，我们设计了一个图匹配引导的神经表示学习框架来寻找概念语义和神经信号之间的潜在对应关系，从而产生了一个自然而有意义的自我监督任务。此外，所提出的 MindArt 具有多个独立模态分支结构，能够将语义表示无缝地合并到任何视觉风格信息中，从而使其具有多模态重建和无训练语义编辑功能。
神经反馈调节情绪的艺术方法
虽然文献表明，当感觉反馈与所考虑的病理相关时，神经反馈的表现会有所改善，但仍然很难表现出一种能代表我们情绪状态的适当反馈。在这项研究中，我们发起了神经科学家和艺术家之间的合作，以开发一种情绪的视觉表现。情绪被表示为根据价数和唤醒水平在白色球体中移动的粒子。探索了粒子控制的几种可能性：粒子的方向、它们在特定位置的浓度或它们的重力。参与者被要求在 0 到 5 的范围内评估这些可能性，评估不同表现的艺术性程度以及是否可以用作临床活动，他们是否认为他们在神经反馈练习期间成功控制了粒子，以及他们是否欣赏这种体验。我们发现控制粒子的方向和浓度被认为是最具艺术性的，平均得分约为 5 分中的 3 分，107 名参与者中有 47% 认为粒子的浓度是艺术性的。此外，我们发现参与者可以在此会话中显著控制粒子的方向。我们的方法是评估情绪神经反馈在多个疗程中的有效性之前的第一步。关键词：神经反馈；情绪；艺术
纠缠？弗里德·纳克的概率与量子计算艺术研究
我们感兴趣的是算法部分。自诞生以来，算法已经取得了长足的发展，尤其是 Shor 和 Grover 的著名算法 [26]。21 世纪初，研究人员提出了一些有趣的尝试，用于开发计算机图形学和 3D 渲染中的量子算法。Andrew Glassner [18][19][20]、Marco Lanzagorta [21] 和 Simona Caraiman [14][15] 就是这样提出了第一个用于 3D 创作的量子算法。这些工作是实验性的。据我们所知，结果并不令人满意。然而，用量子计算创建图像的想法诞生了。与此同时，第一批量子艺术家或“研究艺术家”开始创作第一批量子作品。很难说谁是真正的第一批，因为有些人只是使用这个概念来创作作品，而其他人真的开始使用量子语言
学生艺术创作作为非
本文探讨了利用艺术创作作为评估高等教育非艺术课程学生的替代任务的潜力。希腊雅典国立和卡波迪斯特里安大学教育学和小学教育系的 18 名研究生在参加了六小时的心理教育学课程后，通过绘制一幅画来评估他们通过课程理解的同理心概念。然后，他们撰写了一篇关于他们艺术作品创作的反思性文字。使用基于 Gale 和 Bond 的评估框架 (2007) 的标准的内容分析法对学生创作的绘画和反思性文字进行了分析。研究结果表明，学生创作的艺术作品提供了有关他们的知识、技能和态度的丰富数据，并揭示了传统评估技术不会强调的学习方面。此外，它促进了学习向现实生活环境的关键转移。该研究建议在高等教育的非艺术课程中实施艺术创作作为替代评估技术。
使用生成AI作为艺术材料：黑客指南
1简介现在，我们正在使用生成AI算法创建越来越多的媒体，现在大部分互联网越来越多地被AI生成的垃圾邮件填充[13]。该媒体是由深度神经网络生成的，这些网络已在现有媒体的（通常是很大的）数据集（通常是从Internet的大部分中刮掉）。然后，这些算法用于以机械化和大规模生产的方式将视觉，文本和听觉数据反驳为“新”形式[20]。这带来了一种新的，算法的复杂和不透明的文化生产。本文将以生成AI本身的方式来展示如何将生成性AI用作艺术材料，而不仅仅是简单地融合和反思现有培训数据的方式。采用黑客（从最初的技术意义上讲，从1960年代和70年代的MIT Hacker文化中出来），这是指“以一种嬉戏的精神探索可能的限制” [22]，艺术家找到了许多方法，找到了许多方法来提高我们对生产AI的作品的理解。通过用于调节和表示这些网络的数据中的针对性干预措施，以及从这些网络中训练和采样的计算过程中的干预措施，可以暴露基于这些算法的基础过程并开发新形式的算法表达。这些将分为四类干预措施：进入网络的输入，网络的学习参数，培训网络以及推理网络的计算图。本文将提供艺术项目的例子（来自我本人和其他艺术家），这些项目将这种黑客方法采用了生成的AI，以将这些网络推向其最初打算的功能，并进行干预以暴露这些基本计算过程的运作。本文将表明，生成的AI可以用作艺术材料，而这样做可以导致理解和揭露基础算法的本质的新方法，从而为艺术中的可解释AI（XAI）提供了关键的方法。
研究声明生成艺术作品...
创造力一直从技术创新中受益[14]，包括机器学习的最新进展 - 例如，用于文本，图像，音频和视频的强大生成模型。但是，除了具有备受瞩目的应用程序外，重要的杂志工作仍然存在很大的差距，因为那些具有文化，艺术家和行为考虑因素或重点的人尚未从这些机器学习方面的进步中得到充分提高。这提出了挑战，尤其是在提出设计师对系统行为或文化考虑的酌处权时。在我的研究中，我旨在将计算方法与艺术家，文化，人文学科和设计师的考虑相结合，以在机器学习可以帮助促进表演的同时满足这些方式。为此，我提出了技术和工具，这些技术和工具都可以满足创意设置的需求以及核心机器学习的进步。它们包括1）通过设计师的自由裁量权生成抗tifacts，2）机器学习增强了用于历史和文化数据的工具，以及3）有关进化策略，最佳运输，语言和图形学习的前进机器学习技术和工具。
艺术表达中的虚拟现实和增强现实
摘要 — 在过去十年中，由于技术进步和廉价的硬件和软件可用性，虚拟现实 (VR) 和增强现实 (AR) 在各个行业，尤其是艺术领域中越来越受欢迎。这些技术重新定义了艺术表达中创造力和沉浸式体验的界限。本文探讨了 AR、VR 和多样化信息技术 (IT) 领域之间的动态界面。在此背景下，AR 使用数字叠加增强了物理世界，而 VR 将用户置于完全模拟的环境中。本文详细讨论了这些技术，包括它们的基本概念以及硬件和软件组件。本调查研究了 AR 和 VR 如何对艺术领域产生积极影响，例如虚拟艺术画廊、增强公共装置和创新戏剧表演。我们讨论了硬件、软件开发、用户体验和道德考虑方面的局限性。此外，我们强调合作可能性、可访问性和包容性，以探讨 AR 和 VR 对艺术创造力的深远影响。本文通过案例研究和值得注意的项目说明了这些技术的变革力量。最后，概述了未来趋势，强调了进步、新兴艺术形式以及社会和文化影响。
基于生成对抗的艺术风格转换
摘要。由于人工智能（AI）的持续增长，艺术风格的转型已成为一个高度关注的研究领域。它旨在将一种艺术风格应用于另一种艺术风格，并以新风格产生艺术品。目前，生成对抗网络（GAN）和计算机辅助设计（CAD）技术已成为艺术风格转换研究的两种重要方法。本文旨在探讨GAN和CAD技术在艺术风格转型研究中的应用。在文章中，选择了一系列不同类型的艺术作品，包括绘画，雕塑和建筑，使用GAN和CAD技术进行样式转换。通过对结果的分析和比较，发现GAN模型的成立得分（IS）基本上稳定在90％以上，而艺术图像之间的结构相似性指数（SSIM）约为0.957。此外，艺术家对产生艺术作品的评级很高，并且通过使用GAN模型通过样式转换产生的图像在视觉效果，创造力和艺术价值方面已得到了艺术家的认可和赞赏。这进一步证明了GAN模型在艺术风格转型中的有效性和优势。