量化人工智能生成艺术中的混杂偏差：一项案例研究
Quantifying Confounding Bias in AI Generated Art: A Case Study
Ramya Srinivasan, Kanji Uchino
Conference proceedings/Conference proceedings - IEEE International Conference on Systems, Man, and Cybernetics · 2021-10-17
摘要
近年来，人工智能生成的艺术作品日益受到关注。从模仿保罗·塞尚（Paul Cezanne）和克劳德·莫奈（Claude Monet）等著名艺术家风格创作艺术作品，到模拟浮世绘等艺术流派的风格，人工智能在创意领域的应用已被广泛探索。然而，关于人工智能生成艺术的伦理影响问题却鲜有研究。人工智能能否在不将其刻板化的情况下模仿艺术家的风格？人工智能能否准确呈现艺术流派所蕴含的社会文化细微差别？本研究率先着手分析这些问题。我们利用有向无环图来表征潜在的艺术创作过程，提出了一种简易指标，用于量化因学习艺术家风格时未纳入艺术流派影响而导致的混杂偏差。作为案例研究，我们选取了广受欢迎的CycleGAN模型，分析了不同艺术类型中的混杂偏差情况。结果表明，相较于现有的最先进异常检测方法，该指标在揭示艺术流派对艺术作品的影响方面更为有效。我们还指出，该指标有助于判定艺术作品的真实性。我们希望本研究能够引发学界对人工智能生成艺术伦理影响的深入讨论。
本摘要由 AI（Hy-MT2-Pro）翻译生成，仅供参考，请以原文为准。
AI 综述
基于摘要生成- 主要观点
- 当前AI生成艺术在模拟艺术家风格时，往往忽视了艺术运动对风格的潜在影响，从而产生混淆偏差并可能导致对艺术家的刻板印象。该研究指出，由于未能充分建模艺术运动的社会文化细微差别，现有的AI艺术生成模型在还原艺术家风格时存在伦理与偏差问题。
- 研究方法
- 研究采用有向无环图来表征艺术创作的潜在过程，并据此提出了一种量化混淆偏差的简易度量指标。同时，该研究以cycleGAN模型为案例，跨多种艺术流派分析了这种混淆偏差。
- 学术贡献
- 该研究迈出了分析AI生成艺术伦理影响的第一步，提出的新度量指标在理解艺术运动对艺术作品的影响方面优于现有的最先进异常检测方法。此外，该指标还有助于判定艺术作品的真伪，有望引发学界关于AI生成艺术伦理问题的深入讨论。
- 存在局限
- 材料中未明确提及
- 进一步研究方向
- 材料中未明确提及
本综述由 AI（GLM-5-Turbo）基于摘要自动生成，仅供参考，不代表原文作者观点，请以原文为准。
参考文献
相关论文
话题：Generative Adversarial Networks and Image Synthesis