Stylebreeder：通过文本到图像模型探索与普及艺术风格

文本到图像模型正变得越来越受欢迎，正在深刻改变数字艺术创作的格局，使其能够生成高度细节和富有创造性的视觉内容。这些模型在艺术生成领域得到了广泛应用，促进了广泛的创造表达， democratizes 了对艺术创作的访问。本文引入 \texttt{STYLEBREEDER}，这是一个包含 680 万张图片和 180 万条提示的综合数据集，来自由 9.5 万名用户在 Artbreeder 平台上生成的内容；Artbreeder 作为一个重要的创意探索中心，拥有超过 1300 万用户。我们提出了一系列基于此数据集的任务，旨在识别多样化的艺术风格、生成个性化内容并根据用户兴趣推荐风格。通过记录超越“赛博朋克”或“毕加索”等传统类别的用户生成风格，我们探索了独特、由用户生成的风格，这些风格可能为全球用户集体创作精神世界提供深刻见解。我们还评估了不同的个性化方法以提升艺术表达，并引入了风格数据图（style atlas），将这些模型以 LoRA 格式提供给公众使用。我们的研究表明，文本到图像扩散模型有潜力发现并推广独特的艺术表达，进一步 democratize AI 在艺术领域的作用，培育更具包容性和多样性的艺术社区。数据集、代码和模型均可在 https://stylebreeder.github.io 以公共领域（CC0）许可证获取。