从画笔到像素：人工智能生成艺术中的深度神经网络综述
From Paintbrush to Pixel: A Review of Deep Neural Networks in AI-Generated Art
Anne-Sofie Maerten, Derya Soydaner
Art & Perception · 2026-07-10
开放获取文化艺术综合被引 33被引前 50%影响因子 ≈1.3
摘要
本文深入探讨了人工智能生成艺术这一引人入胜的领域，梳理了用于创作此类艺术的各种深度神经网络架构与模型。从经典的卷积网络到前沿的扩散模型，本文逐一分析了该领域的关键技术成果。文中阐释了这些神经网络的总体结构与工作原理，随后列举了相关里程碑式的案例：从DeepDream生成的梦幻景观，到能够产出令人惊叹图像的Stable Diffusion和DALL-E 3等最新成果。作者对这些模型进行了详细对比，指出了各自的优势与局限，同时展现了深度神经网络在短期内取得的显著进展。本文将技术性解读与对人工智能生成艺术现状的分析相结合，生动呈现了艺术与计算机科学相互交融的图景。
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
- 该文系统梳理了AI生成艺术领域的演变历程，重点探讨了从经典卷积网络到前沿扩散模型等各类深度神经网络的架构与应用。文章通过解析DeepDream、Stable Diffusion及DALL-E 3等里程碑式模型的结构原理，揭示了技术迭代如何推动视觉艺术创作的革新。其核心主旨在于阐释计算机科学技术与艺术创作实践之间的深层交互关系。
- 研究方法
- 本研究主要采用文献综述与比较分析法，对现有的主流深度学习模型进行系统性的归纳与整理。通过详细对比不同神经网络架构（如卷积网络与扩散模型）的工作机制、优势及劣势，来考察技术的演进逻辑。此外，结合具体的AI艺术作品案例进行佐证，以直观展示模型性能的提升路径。
- 学术贡献
- 该文的主要贡献在于搭建了技术原理与艺术审美之间的桥梁，将复杂的神经网络工作机制转化为可理解的学术论述。通过对不同代际AI模型的横向对比，清晰地量化并展示了该领域在短时间内取得的显著技术进步。这为跨学科研究者理解人工智能在艺术领域的应用现状提供了全面的参考框架。
- 存在局限
- 材料中虽然指出了被综述的各类AI模型本身存在的优缺点，但并未明确指出该篇综述论文本身在研究方法或覆盖范围上的不足。因此，关于本文的具体研究局限，材料中未明确提及。
- 进一步研究方向
- 摘要内容侧重于对现有技术成果的总结、回顾以及对当前状态的洞察，并未具体探讨该领域未来需要解决的具体技术瓶颈或理论空白。关于后续的具体研究展望，材料中未明确提及。
本综述由 AI（GLM-5V-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