按年被提到
20172017 · 3 次2026
视觉、语音与图像生成›生成对抗网络·arXiv:1706.07068 · cs.AI

CAN: Creative Adversarial Networks, Generating "Art" by Learning About Styles and Deviating from Style Norms

CAN:创意对抗网络,通过学习风格并偏离风格规范来生成“艺术”
Ahmed Elgammal, Bingchen Liu, Mohamed Elhoseiny, Marian Mazzone · 2017

改造 GAN 目标,使其生成偏离既有风格的“创意”艺术

开始阅读 ↗PDFalphaXiv 讨论
被提及 · 4 人首次 2017-06-30 · 最近 2018-09-17
4不同的人
3活跃月份
4讨论串
353被引(OpenAlex)

提出一种生成艺术的系统:通过观看艺术作品学习风格,再通过偏离已学风格、提高生成作品的“唤起潜力”而变得有创意。它在 GAN 的基础上修改目标函数,最大化与既有风格的偏离,同时最小化与艺术分布的偏离。人类受试者实验中,受试者无法区分其生成作品与顶级艺博会上当代艺术家的作品,甚至在多项评分上给前者更高分。

HN 为什么提它

评论者把它作为解决相关问题的近期尝试提到,但自己并不完全信服,认为这方面还需要更多研究。

方法难度 3 / 5约 40 分钟经得起时间
读之前最好知道
1生成对抗网络(GAN)
2卷积神经网络与图像分类
3艺术风格与美学基本概念

学习路径

读这篇之前,按顺序读书架上的 2 篇 · 参考文献来自 OpenAlex,顺序和要点由 Claude Code 排出

这条路径先建立 GAN 的卷积实践基础,再了解神经风格迁移中「风格」的表示,最后看 CAN 如何改造 GAN 的目标来偏离既有风格。

  1. 1
    Unsupervised Representation Learning with Deep Convolutional Generative Adversarial Networks用深度卷积生成对抗网络进行无监督表示学习(DCGAN) · 2015

    DCGAN 提供了稳定训练图像 GAN 的卷积架构,CAN 的生成网络建立在这类架构之上。

    读第 3 节的架构约束(去池化层、批归一化、激活函数选择);看生成图像如何在潜空间中插值。

  2. 2
    A Neural Algorithm of Artistic Style艺术风格的神经算法 · 2015

    最早把「风格」当作可从网络特征中提取的对象,帮助理解艺术风格在深度模型里的含义。

    读内容表示与风格表示(Gram 矩阵)的区分;不必关心优化迁移图像的细节。

  3. 3
    CAN: Creative Adversarial Networks, Generating "Art" by Learning About Styles and Deviating from Style NormsCAN:创意对抗网络,通过学习风格并偏离风格规范来生成“艺术” · 2017 · 就是这篇

    目标论文:在 GAN 判别器上加入风格分类,并让生成器最大化偏离风格规范的程度。

    读修改后的目标函数:判别器除真假外还预测风格类别,生成器追求风格模糊带来的「创意」;看评估实验的设计。

HN 书评

推荐在前,同类按时间 · 每篇最多保留 20 条,统计用全部提及
引用radarsat1 · 2017-07

“There was one recent work trying to address this [1] but I'm not 100% convinced and I think a lot more work is warranted in this area.”

提到近期有这方面的尝试,但不完全信服,认为还需更多研究
Generating faces of cats using Generative Adversarial Networks原评论 ↗
被提交为 story · 3 次