现代生成模型复制艺术风格能力的批判性评估
计算机视觉与模式识别
2025-02-26 v1 人工智能
机器学习
摘要
近年来，生成人工智能的进步催生了能够模仿多种艺术风格的复杂工具，为数字创造力和艺术表达开辟了新的可能性。本文对当代生成模型的风格复制能力进行了批判性评估，在多个维度上审视其优势与局限。我们考察了这些模型在保持生成图像的结构完整性和构图平衡的同时，有效再现传统艺术风格的能力。该分析基于一个新的AI生成作品大型数据集——"AI-pastiche"数据集，该数据集模仿过去的艺术风格，具有广泛的应用潜力。本研究得到了广泛用户调查的支持，收集了关于该数据集的多样化意见，并探讨了技术和美学挑战，包括生成真实且视觉上令人信服的输出的能力、模型处理广泛艺术风格的灵活性，以及它们在多大程度上遵循提示中概述的内容和风格规范。本文旨在提供生成工具在风格复制方面当前状态的全面概述，为模型设计和训练方法的潜在进步以及增强数字艺术、人机协作和更广阔创作领域的新兴机遇提供见解。
引用
@article{arxiv.2502.15856,
title = {A Critical Assessment of Modern Generative Models' Ability to Replicate Artistic Styles},
author = {Andrea Asperti and Franky George and Tiberio Marras and Razvan Ciprian Stricescu and Fabio Zanotti},
journal= {arXiv preprint arXiv:2502.15856},
year = {2025}
}