文摘
在计算机视觉领域,这是一个非常具有挑战性的任务使用人工智能深度学习方法实现非功能性测试的编程和创造的艺术品。与深度学习技术的不断发展和完善,这个任务已经成为现实。生成对抗网络模型用于深度学习可以产生新的图像基于图像数据的提取和分析功能,已成为非功能性测试的一个重要工具艺术品图像生成。为了更好地实现非功能性测试艺术品编程,分析了工作原理,传统的敌对的生成方法,然后使用StyleGAN模型编辑图像的高级属性,可有效控制非功能性测试生成的样式和风格的艺术品的形象。最后,为了提高生成的图像的质量,本文介绍了一个通道注意机制和空间注意机制,确保生成的图像更合理和现实的。最后,通过大量的实验,证明了非功能性测试的作品传播基于人工智能编程算法深度学习提出了可以控制图像生成的整体风格根据传输的需求,和生成的图像特征具有良好的细节和高视觉质量。
1。介绍
传统艺术品创作(1通常是优雅甚至是高尚的,他们的创造性活动2)是有限的艺术家自己(3]。随着数字艺术的崛起(4],许多艺术家主要是参与创建[5),来Ganshan的作品和观众之间的关系6]。公众往往是收件人,作品与作品之间的沟通是很困难的。非功能性测试的出现创造艺术品(7)已经完全改变了艺术创作的方法和经验,使真正的艺术品创造的公共成员(5,8]。观众能够创造艺术作品可以在任何时候改变艺术品的表现元素,不仅使观众从艺术品与艺术的对话(9),但也表达特定的情感体验10在具体的艺术作品11]。一般来说,非功能性测试的社会参与和及时的表达作品突破艺术家和作品本身的界限,使观众从工作来表达他们的情感,和空前扩大艺术表现的深度和广度。非功能性测试的艺术品的收藏价值主要是基于收集器的个人喜好和根据市场波动规律。
随着科学技术的不断进步(12],各种数字意味着[13出现在源源不断,新事物不断涌现(14]。人类艺术创作进入了一个新的多源信息交换的时代。人类创造艺术的方式不再限于传统纸媒体和被动接受(15),和更有创意和传播方法(16]基于数字平台出现了17]。人与人之间的沟通的方式改变了传统的复杂的声音(语言和基于文本的方法18),字(19)、图片(20.),和图像通过数字作品(21]。这个新的和全面的沟通方式之间的关系完全改变了人们社交和交换信息的方式。艺术品交易是基于数字交易(22和独特的规则23]。艺术作品本身具有艺术审美价值和商业价值(24],审美价值的水平直接决定了它的商业价值。艺术品本身是不能复制的,独一无二的。与许多艺术品的价值相比,这也是传统艺术品的价值的基础。在数字时代,创造艺术品的许多方面已经显示通过数字平台。一般来说,非功能性测试的创建艺术品在数字平台上仍然依赖于手动变速箱,个人知识和背景紧密相关,并且需要复杂的人力和物质资源。如何实现智能非功能性测试艺术品创造基于深度学习方法仍然是一个具有挑战性的问题。
为了实现智能编程的任务和创建非功能性测试艺术作品,介绍了深度学习技术在人工智能方法。使用深度学习技术,实现编程的目的,创建非功能性测试的艺术品可以有效地减少食用大量的人力和物力,同时,它是由编程控制。非功能性测试艺术品编程可以精确地控制某一风格的合成工艺,并添加所需的风格。首先,分析传统的敌对的生成方法是如何工作的。其次,本文采用StyleGAN模型编辑图像的高级属性,它可以有效地控制代非功能性测试的作品的风格图片。最后,为了提高生成的图像的质量,本文介绍了一个通道注意机制和空间注意机制,确保生成的图像更合理和现实的。最后,通过大量的实验,证明了非功能性测试的作品传播基于人工智能编程算法深度学习提出了可以控制图像生成的整体风格根据传输的需求,和生成的图像特征具有良好的细节和高视觉质量。非功能性测试艺术品编程和基于人工智能的创建算法深度学习提出了大大提高了手动变速箱的复杂性,提高了可控性生成的图像。由于长时间的艺术创作和创作风格发生了巨大的变化,很难提高绘画的效率。因此,本文采用人工智能的方法。
2。相关的工作
2.1。非功能性测试的艺术品
非功能性测试的作品具有经济价值和文化价值。从创作本身,艺术作品是艺术家的知识劳动的结晶,体现了艺术家的风格和文化遗产,和它的文化价值反映了艺术家的创造力。同时,艺术家需要改变创作过程,和他们应该创建基于互联网的思考艺术创作,而不是创作。这种特异性成为互联网艺术和文化价值是诞生了。我们通常认为,艺术是艺术培养的网络文化,它是时代的产物在当代技术的发展。
基于技术和艺术的结合,目前非功能性测试艺术品具有以下特点:(1)权力下放:分散的存储使用区块链,和艺术家和收藏家们可以实现点对点交易,而不是受制于中间人。收集与传统方法相比,艺术家可以直接联系集合组,这不仅可以增加人气和暴露的艺术家,而且提高透明度的时间艺术。(2)独特性:确定非功能性测试的艺术品是独一无二的,这些数据都添加了防篡改技术。尽管每个工作都是独立的,所有数据连接在同一区块链是相关的。如果其中一个是修改,其他会影响和修改工作。只有同意的至少一半的收藏家,工作的数据区块链可以修改。这种方法保护非功能性测试的收藏价值的艺术品,使它们自然稀缺和辨认。通过这种可靠的交易行为,它可以有效地防止不道德的行为如卖假货,挪用公款,和销售,保护艺术品市场的稳定性。(3)转售权利,这种权利最初是衡量保护艺术家的利益;每次出售艺术作品,艺术家可以有利于保护他们的创作热情,但在现实中,这个系统很难实现。 Because NFT artworks are based on digital platforms, the ownership and creation rights of items will be applied to all NFT artworks, and experts can get relevant benefits for the circulation of each artwork. This method is more fair, just, and open and provides a good regulatory platform. (4) Division of ownership: Although the NFT artwork itself cannot be divided, its ownership can separate the NFT artwork in the form of currency and can be distributed to different owners and collectors. For collectors, it can expand the scope and quantity of transactions in the form of purchasing tokens, which can be used to purchase complete ownership artworks and hold more ownership of artworks to reduce risks. For the duration of art, it can lower the threshold for collectors, reduce collectors’ capital reserves and market risks, and make artworks more convenient to circulate.
非功能性测试的经济价值的艺术品的技术差异反映在其财务价值。收藏家还可以更多关注其财务价值而不是艺术和文化价值的非功能性测试的艺术品的集合。收藏家们可以通过网上交易平台承诺或出售非功能性测试的艺术品,可以清楚地估计金融艺术品的价值。此外,收藏家可以实现非功能性测试的艺术品的所有权通过虚拟货币交易,如果他们不能偿还或过期,银行可以以较低的价格获得非功能性测试的艺术品。通过这种方式,可以获得大量的外围组织的产品以更低的成本,不断提高经济价值。然而,非功能性测试艺术收藏也有负面影响。当前非功能性测试艺术收藏市场是复杂的,有巨大的文化价值和经济价值的艺术品的不确定性,从而导致严重的商业风险取决于时间。大多数研究人员采取谨慎的态度。5论文是否虚拟货币或非功能性测试的艺术品是赚钱的工具在商业领域,他们应该谨慎避免欺诈。非所有者与身体艺术,艺术是一种机制,打破了规则。 If the owner’s NFT art is directly destroyed, the collector’s NFT art will also undergo similar changes, resulting in collectors’ mistakes in values and value judgments outweigh the gains. Collectors acquire works of art in order to achieve value preservation and appreciation in the future. Such art investment is meaningful. But NFT artwork is similar to virtual currency as a virtual item and is exchanged as equivalent. This type of digital currency has a low-value retention rate, is greatly affected by the market, and has large price fluctuations. And the corresponding NFT’ artworks do not have economic evaluation and related systems, and there are no works that have accumulated profound cultural heritage and reflect the spirit of human civilization as a reference in the market. Using the market for adjustment and the collectors’ psychological speculation to set prices is highly uncertain, and the NFT art collection market also has an unstable and chaotic system. To a certain extent, manual intervention can be reduced, but deep learning is data-driven and requires a huge amount of data for training.
2.2。图片风格转移
传统的图像风格转移主要进行两个主管,即领域的计算机图形学和计算机视觉领域。计算机图形学领域的主要输入虚拟场景的描述,通常一个多边形数组;每个多边形包含三个顶点,每个顶点包括三维坐标,纹理坐标,RGB颜色,等等。输出是一个图像,一个微不足道的像素数组。在计算机视觉中,图像的输入是一个图像或序列,通常从摄像机或视频文件。图像序列的输出是一个真实的理解。图像恒星的风格转移实际上是nonphotorealistic图形在计算机领域。与深度学习技术的不断发展,大多数当前的风格传递方法使用神经网络方法。它主要分为两类,即基于统计分布参数结构建模和非参数结构建模基于MRF。风格转移广泛用于图像生成在视觉和代表,它可以生成图像内容与特定的风格。
参数化方法主要基于统计分布模型结构N订单统计,而经典的常规MRF-based方法是使用补丁逐点相似度匹配的合成。纹理建模方法解决了一个非常重要的问题的图像因袭转移,这是风格风格的建模和提取地图。风格和内容然后混合形成相应的程式化的结果,主要通过应用另一个域的图像重建。图像重建是主要分为两类:缓慢的图像重建方法基于在线优化和快速图像重建方法基于离线模型优化。缓慢的图像重建方法对在线优化是梯度下降法在图像像素空间最小化目标函数。这种类型的算法可以被理解为使用随机噪声的图像,然后开始迭代改变图像的像素值找到下一个目标。因为每个重建结果需要多次迭代优化像素空间,这种方法非常耗时,占据了大量的计算资源,需要大量的时间开销。
与深度学习技术的不断发展和进步,基于对抗性的风格传递方法生成网络已逐渐成为主流。严格来说,风格传输基于氮化镓实际上是范围内的风格传递的神经网络,因为氮化镓生成对抗网络是神经网络的本质。由于其精美损失函数设计,生成的影响氮化镓的形象。生殖领域排在第一位,和研究具有深远的意义。这些GAN-based神经网络之间的相似之处是显而易见的。输入噪声,输出是一个图像,并通过中间神经网络。氮化镓细腻的网络结构,主要由发电机和一个鉴别器。发电机负责重建输入图像,重建结果发送到鉴频器的实际数据来进行判断。歧视网络负责区分发电机的输出是一个真正的图像是否来自真实的数据集或生成的图像本身。发电机将试图使生成的图片傻瓜鉴别器。 The method is naturally that the more real the generated pictures, the easier it is to deceive the discriminator; the discriminator will try to distinguish whether the input is real or generated, and its feedback will guide the generator to generate more realistic pictures, thus forming a dynamic game, and the result is that the output pictures are similar in content and style to the real dataset. Since the GAN has no content and style constraints, the generated effect is more like the general process of art. In addition, due to the sophisticated loss function design, the results created by the model are very realistic. At present, there are many methods of image generation, but most of the images generated by the methods are noisy and unreal. Only the StyleGAN series generated better results.
3所示。算法的研究
创建非功能性测试的艺术品是一件非常有意义的事情在数字艺术作品,但非功能性测试的艺术品的传播通常需要大量的人力和物力来完成艺术的创造,实现较高的收藏价值。深度学习的不断发展和进步,使用深度学习算法来实现非功能性测试艺术品编程已经成为现实。深度学习有广泛的应用,包括图像生成、文本生成图像、文本生成场景,风格转移,和内容的一代。深入学习算法能够自动学习风格和数据分布,并根据输入数据可以推断出预期的输出内容。节约了大量的人力和物质资源已成为非功能性测试的关键基础编程和创造的艺术品。只要网络模型设计、培训和数据集不同,生成的非功能性测试的作品通常是不同的。
将现实世界或虚拟世界图像转化为非功能性测试艺术品根据真实的场景是一个非常有趣的和实际工作,已在计算机视觉领域引起了广泛的关注。非功能性测试艺术品贬低指创造作为一种艺术风格,主要使用电脑使风格化原始图像的特性,所以原来的内容或风格可以显示和公认的新形象。因为这非功能性测试创造艺术品的编程算法相对新颖,它能让电脑自动学习创造非功能性测试的内容和风格的艺术作品,这吸引了大量科研人员的关注。非功能性测试的创建艺术品主要依靠手工创建,消耗大量的人力和物力,和创造效率很低。
3.1。传统的生成算法
深卷积神经网络的使用和生成对抗的网络已成为规范研究图像生成的非功能性测试的艺术品。这些网络模型可以学习和提取某种类型的艺术风格和添加这些艺术风格根据输入图像形成新的目标图像,这样生成的非功能性测试图像有一个特定的艺术风格。在图像传输和一代的任务,首先,CNN模型用于从一个特定的风格的图片,然后生成对抗网络(GAN)是用于添加输入图像提取的风格,最后生成的图像与一个特定的艺术风格形成,如油画、卡通绘画、动画、山水画等不同的艺术类型。
生成对抗网络(GAN)模型是一种常用的网络结构领域的图像生成。它不需要表达的样本数据集的概率分布明确,但隐式实现固有的分布和平衡通过不断学习数据发生器和对手之间的竞争和比赛采用对抗的方法学习。通过连续一代对抗过程,当发电机和鉴别器达到一个平衡状态,生成的图像发生器可以有最初的真实数据的内在特征和属性,以及图像数据生成器生成的用假所能达到的效果。
生成对抗网络(GAN)模型通常由两部分组成,发电机G和鉴频器D。卷积神经网络(CNN)模块通常是用作发电机和鉴频器的基本模块结构,可有效提取输入图像的特征信息。自深学习模型参数和强大的学习能力,丰富CNN结构通常是嵌入在鉴别器提高鉴别器的判别效果。所示图的网络结构1,使用氮化镓结构生成图像数据时,它首先需要输入随机噪声向量z发电机和获得的输出结果图像通过正则化层等处理操作,完全连接层,和回旋的层。在网络结构中,我们需要注意数量的阶段主要是由输入图像的大小决定,而且通常生成器的输出图像的大小是一样的输入图像的大小。然后,生成的图像和标签图像输入鉴频器D有相同的网络结构生成器。通常标签[0,1]是用来表示输入图像是否一样的品牌形象。鉴频器的输出标签相同的图像样本是1。否则,鉴频器的输出标签D是0。在整个生产过程中生成的敌对的网络,发电机G努力生成图像具有相同数据分布与原始数据,使生成的图像难以识别;鉴频器的D不断最大化之间的歧视生成的图片和标签图片,尽可能。可以区分生成的图像从原始标签图像。因此,在整个培训过程中,发电机G和鉴频器D经常在游戏中,生成能力和辨别能力的不断提高到新的高度与培训过程。
的学习目的GAN模型可以由以下公式表示:
使用周期的一致性损失类似CycleGAN损失函数的模型。图像转换G和F,有 在哪里x和y分别对应于输入图像和目标图像。与此同时,l1损失函数用作生成的图像和原始图像之间的距离度量: 在哪里和参考鉴别器的原始输入图像和目标图像,分别λ代表着平衡参数集根据经验,这是一个hyperparameter实验。
3.2。StyleGAN生成方法
传统的图像生成方法使用发电机G接受随机噪声和规范它,然后通过卷积和upsampling方法生成图像。代方法简单,效果一般。为了获得一个更好的图像生成效果,能够编辑图像中特定属性,本文使用StyleGAN作为骨干网络和使用映射网络一代网络,共同控制图像生成过程。全球风格是精确控制。添加随机噪声可以用于生成高保真图像细节更精致。
由于耦合现象的图像生成的过程中,如果有高的各种属性之间的耦合,很难隐藏特性的模型来获得更深层次的关系。在实际的图像生成过程中,我们想要控制不同的子空间或特性风格更确切地说,与解耦特性更有利于数据分析或合成。在本文的方法中,我们首先正常化隐藏的向量z通过使用映射网络f并通过8执行空间映射处理完全连接层,以便获得中间变量的表达式 。隐藏空间的特性可以有效地分离映射网络,如图2。本文主要学习特定的艺术风格通过一个模型,然后将这种风格转移到新的作品。
图像合成网络G甘在传统结构类似,它可以合成从低纬度和高纬度地区特性,并采用传统的卷积模块结构。添加一个自适应归一化层在每一块模块,接收额外的信号一个和B,分别。一个代表中间隐藏变量的特征向量仿射变换后,主要用来控制图像生成的风格。B代表卷积后随机噪声添加丰富的详细特征生成的图像。每个卷积模块可以调整的总体风格生成根据输入图像的特征向量一个同时可以使用B调整生成的图片的详细信息。在图像生成网络的低层特征信息G甚至可以控制图像的整体轮廓和形状的一代。持续改进的特征维度,生成的图像是不断丰富和详细的信息一个和B最后在一个更精致的形象。规模控制图像的显微特征。自适应归一化层的表达公式
AdaIN首先需要每个功能正常化x,然后规模和偏见的风格特征y。图像生成网络G改进的地方特色,通过添加随机噪声图像B。AdaIN层接收样式信息一个映射网络的,所以它可以控制图像的风格,如身份、姿势,角度,微笑。本文主要介绍了StyleGAN实现生成的图像通过解耦中间变量的可控性Z。
此外,StyleGAN还介绍了两项措施的空间隐藏变量的解耦,即感知路径长度和线性可分性,从而使发电机更线性,解耦代表不同的音素。其计算公式如下:
3.3。注意机制
为了提高图像生成的质量,使生成的非功能性测试的作品更现实的和自然图像,介绍了注意力机制模块。注意机制模块主要依靠仿生学的原理,模拟了人类观察对象,更多关注图像的局部细节,并广泛应用于图像生成的字段。
对于一个给定的特征映射 ,卷积的注意机制可以计算一维通道注意力地图 和二维空间注意力地图 ,,计算公式如下:
输入特征地图,第一次使用全球最大池和全球平均池压缩空间维度,然后获得最大池特性和平均混合的特性,然后通过一个共享的网络组成的多层感知器和乙状结肠激活。函数获取渠道关注重量、注意机制的结构如图3。完全不同于英吉利海峡的注意机制,空间结构的注意机制已得到改进与相关改进。首先是获得二维特性通过全球最大池和平均池渠道维度,然后连接获得的两个二维特性,使用卷积操作生成空间注意重量,最后通过s形的激活函数。得到空间的关注权重。本文频道注意机制和空间的注意机制卷积后添加,所以该模型可以同时注意通道特征信息和空间位置信息。通道通过强调有意义的特征信息和空间信息或抑制无关的特性,生成模型更关注图像生成的质量,从而生成更现实的非功能性测试的作品图片。
4所示。实验结果
图4显示了同步比例因子的影响。飞机代表的积极价值的倍数扩张,负值表示多个还原,纵坐标代表这两个尺度的综合效应。
图5显示各种特征因素的影响。从图中,我们可以看到有三个影响因素,X,Y,Z,这三个影响因素耦合的特点,以及任意两个之间有一定的耦合特性。有一个问题纠缠的特性。
为了实现图像分离,我们使用图6为了说明这种情况。这两种不同的形状图6代表两种不同因素的特性,通过映射网络解耦。一般来说,它是一个功能因子控制图像生成的一个方面,和分离是减少它们之间相互关联的程度。
图7代表多标记数据在数据训练。因为有多种因素控制图像生成过程,生成的图像有多个不同类型的标签。方法本文试图使生成的图像对应一个品牌的一个因素。
图8显示了网络模型的最优解在训练过程中。模型的训练过程中,两个因素的不同尺度的一起工作,所以网络模型需要进行调整,以达到最优的解决方案。
图9代表了五种类型的混淆矩阵生成样式使用传统方法。五种类型对应轮廓、纹理,姿势,图像质量,分别和表达。通过比较传统方法的生成效果,它可以更好地说明非功能性测试的实际效果的作品基于人工智能编程方法深度学习在本文提出。
图10代表十个类型的混淆矩阵的生成方式。除了上面介绍的五种类型,五添加额外的类型,即外观、艺术类型、大小、清晰度,和情感。通过一代风格的混淆矩阵,这表明该方法所产生的影响提出了具有更好的可控性,将来有更好的控制特点非功能性测试艺术品生成过程。
5。总结
为了达到更好的非功能性测试艺术品编程,非功能性测试作品传播基于人工智能编程算法深度学习提出了实现更好的艺术作品创作的影响。首先,分析传统的敌对的生成方法是如何工作的。其次,本文采用StyleGAN模型编辑图像的高级属性,它可以有效地控制代非功能性测试的作品的风格图片。最后,为了提高生成的图像的质量,本文介绍了一个通道注意机制和空间注意机制,确保生成的图像更合理和现实的。最后,通过大量的实验,证明了非功能性测试的作品传播基于人工智能编程算法深度学习提出了可以控制图像生成的整体风格根据传输的需求,和生成的图像特征具有良好的细节和高视觉质量。虽然本文方法有一定的影响,复杂的网络结构和大量的计算和参数的关键问题仍然困扰着我们。在未来的工作中,我们应该更加注意有效的轻量级的网络结构设计,可以提高网络的训练速度和推理速度模型,同时大大减少计算负荷。
数据可用性
使用的实验数据来支持本研究的发现可以从相应的作者。
的利益冲突
作者宣称,关于这项工作他们没有利益冲突。
确认
这项工作是财务支持的特殊融资贵阳科技局和贵阳大学(GYU-KYZ (2019) MS-03)。