在复杂度-熵平面中研究当代用户生成视觉艺术的多样性与风格化

近期计算和数值方法的兴起为分析艺术史学叙事和追溯其中艺术风格的演变提供了新途径。在这里，我们利用复杂度-熵（C-H）平面——它量化绘画中的局部结构——研究了支撑当代用户生成视觉艺术风格出现与风格化的演化过程。将2010年至2020年间在DeviantArt和Behance平台上策展的149,780张图像信息化，我们分析了C-H空间中的局部信息深度神经网络和特征提取算法生成的多级图像特征之间的关系。结果揭示了C-H视觉艺术风格信息与组内作品随时间推移的多级图像特征差异之间的显著统计关系。通过揭示一个图像表示多样性明显显现的特定C-H区域，我们的分析揭示了一个新兴风格的实证条件——这些风格在C-H平面中既新颖，又具有更大的风格多样性。我们的研究表明，将视觉艺术分析与受物理学启发的方法论和机器学习相结合，可以为定量映射给定群体和时间的未探索视觉艺术创造性风格化所支撑的演化过程的相关特征提供宏观洞察。