從畫筆到像素：一文讀懂AI繪畫的前世與今生_當(dāng)前關(guān)注

關(guān)于 AI 繪畫，你需要知道的一些事。

上周，備受期待的Midjourney V5AI 藝術(shù)生成器正式發(fā)布，再次改變了 AI 驅(qū)動的藝術(shù)創(chuàng)作世界。它擁有顯著增強(qiáng)的圖像質(zhì)量、更多樣化的輸出、更廣泛的風(fēng)格范圍，以及對無縫紋理的支持、更寬的寬高比、改進(jìn)的圖像提示、擴(kuò)展的動態(tài)范圍等。

【資料圖】

下圖是以“埃隆·馬斯克介紹特斯拉，90 年代的商業(yè)廣告”為 prompt（提示），分別用 Midjourney V4 和 Midjourney V5 生成的圖像。

此次滿足人們期待的是，Midjourney V5 帶來了更逼真的圖片生成效果，更有表現(xiàn)力的角度或場景概述，以及終于畫對的“手”。曾經(jīng)在 AI 繪畫界廣泛流傳的一個笑話是，“永遠(yuǎn)不要問一個女人的年齡或一個 AI 模型為什么要把手藏起來?！?/strong>

這是因為，AI 藝術(shù)生成器是“畫手困難戶”，盡管它們可以掌握視覺模式，但不能掌握潛在的生物邏輯。換句話說，AI 藝術(shù)生成器可以計算出手有手指，但很難知道一個人的一只手正常應(yīng)該只有 5 個手指，或者這些手指之間應(yīng)該具有固定關(guān)系的設(shè)定長度。

在過去的一年里，AI 藝術(shù)生成器無法正確渲染手的 “缺陷” 已經(jīng)成為一種文化修辭。手部問題在一定程度上與 AI 藝術(shù)生成器從它們接受訓(xùn)練的大量圖像數(shù)據(jù)集中推斷信息的能力有關(guān)。

值得注意的是，Midjourney V5 可以很好地生成逼真的人手。大多時，手是正確的，一只手有 5 個手指，而不是 7-10 個。

Midjourney V5 的發(fā)布，引起了全球用戶更廣泛的興趣激增，巨大流量的涌入使得 Midjourney 服務(wù)器短時間崩潰，進(jìn)而導(dǎo)致眾多用戶無法訪問。除此之外，OpenAI 的 DALL·E 2、Stability AI 的 Stable Diffusion 等“文生圖” 模型此前也是業(yè)內(nèi)討論的熱門對象。

當(dāng)人們向這些 “文生圖” 模型中輸入任何文本后，它們就可以生成與該描述相匹配的、較為準(zhǔn)確的圖片，生成的圖片可以被設(shè)定為任意風(fēng)格，如油畫、CGI 渲染、照片等，在很多情況下，唯一的限制來自人類的想象力。

2018 年，第一幅由 AI 生成的肖像《Edmond de Belamy》問世，它由生成對抗網(wǎng)絡(luò)（GAN）創(chuàng)建，是 Obvious Art 的 “La Famille de Belamy” 系列的一部分，最終在佳士得藝術(shù)品拍賣會上以432500 美元成交。

2022 年，Jason Allen 的 AI 創(chuàng)作作品《Théatre D’opéra Spatial》在科羅拉多州博覽會的年度藝術(shù)競賽中獲得了第一名。

近些年，各類 “文生圖” 模型也在人們的期待中紛紛登場。當(dāng)神經(jīng)網(wǎng)絡(luò)在圖像處理方面取得了一定的成果后，研究人員們便開始開發(fā)一些可視化技術(shù)，以更好地了解這些神經(jīng)網(wǎng)絡(luò)是如何看待世界并進(jìn)行分類的，由此塑造了一個又一個 “文生圖” 模型。

DeepDream根據(jù)神經(jīng)網(wǎng)絡(luò)學(xué)到的表征來生成圖像，在獲取輸入圖像后，通過反向運(yùn)行經(jīng)過訓(xùn)練的卷積神經(jīng)網(wǎng)絡(luò)（CNN），并試圖通過應(yīng)用梯度上升來最大化整個層的激活。下圖（左）顯示了原始輸入圖像及其 DeepDream 輸出。

令人驚訝的是，輸出圖像中包含了許多動物的面部和眼睛，這是因為 DeepDream 使用了 ImageNet 數(shù)據(jù)庫（不同犬種和鳥類的例子）來訓(xùn)練。對于一些人來說，DeepDream 生成的圖像類似于夢境般的迷幻體驗。但即便如此，DeepDream 加速了人們將 AI 作為藝術(shù)圖像創(chuàng)作的工具的工作。

Neural Style Transfer是一種基于深度學(xué)習(xí)的技術(shù)，能夠將一張圖像的內(nèi)容與另一圖像的風(fēng)格相結(jié)合，如上圖（右），將梵高的《星夜》應(yīng)用于目標(biāo)圖像。Neural Style Transfer 重新定義了 CNN 中的損失函數(shù)來實現(xiàn)——通過 CNN 的高層激活保留目標(biāo)圖像，以及多層激活來捕捉其他圖像的風(fēng)格。由此，輸出的圖像將保留輸入圖像的風(fēng)格與內(nèi)容。

2017 年，Wei Ren Tan 等人提出了模型 “ArtGAN”，盡管其輸出的圖像看起來完全不像是畫家的作品，但仍舊捕捉到了藝術(shù)品的低階特征。由此，ArtGAN 激發(fā)了更多研究者使用 GAN 生成藝術(shù)圖像的興趣。

不久之后，Ahmed Elgammal 等人提出創(chuàng)造性對抗性神經(jīng)網(wǎng)絡(luò) “CAN”，以訓(xùn)練 GAN 生成被鑒別者視為藝術(shù)但不符合任何現(xiàn)有藝術(shù)風(fēng)格的圖像。由 CAN 產(chǎn)生的圖像看起來大多像一幅抽象畫，給人一種獨特的感覺。

2017 年，Phillip Isola 等人創(chuàng)建了條件型 GAN，即 pix2pix，接收輸入圖像后生成一個轉(zhuǎn)換版本。例如，在現(xiàn)實生活中，假設(shè)有一個 RGB 圖像，我們可以輕松將其轉(zhuǎn)換為 BW （黑白二值圖像）版本。但若想要把 BW 圖像變成彩色圖像，依靠手動上色就很耗時。pix2pix 則可以自動完成這一過程，并應(yīng)用于任何圖像對的數(shù)據(jù)集，而不需要調(diào)整訓(xùn)練過程或損失函數(shù)。

pix2pix 是生成式 AI 的一個重大突破，但它需要相應(yīng)的圖像對來進(jìn)行訓(xùn)練，而這并不適用于所有應(yīng)用。例如，如果沒有為莫奈創(chuàng)作的每一幅畫提供相應(yīng)的照片，pix2pix 就無法將輸入轉(zhuǎn)換為莫奈繪畫。

為此，Jun-Yan Zhu、Taesung Park 等人提出了 “CycleGAN”，通過組合兩個條件型 GAN 和它們之間的 “循環(huán)” 來擴(kuò)展 pix2pix，這一模型可以將圖像轉(zhuǎn)換為其他模態(tài)，而無需在訓(xùn)練集中看到成對圖像。

重大的轉(zhuǎn)折發(fā)生在 2021 年，一些 “文生圖” 模型紛紛降臨。OpenAI 發(fā)布了 DALL·E——以 Pixar 的動畫片《Wall-E》和超現(xiàn)實主義畫家 Salvador Dali 命名。DALL·E 結(jié)合了學(xué)習(xí)將圖像映射到低維標(biāo)記的離散變分自動編碼（dVAE）和自回歸建模文本和圖像標(biāo)記的 Transformer 模型。輸入給定的文本，DALL·E 可以預(yù)測圖像標(biāo)記，并在推斷過程中將其解碼為圖像。

DALL·E 還可以將其單獨學(xué)習(xí)但從未在單個生成的圖像中看到的概念組合在一起。例如，在訓(xùn)練集中有機(jī)器人和龍的插圖，沒有龍形機(jī)器人。當(dāng)被提示 “機(jī)器人龍” 時，模型仍可以產(chǎn)生對應(yīng)的圖像。

然而，雖然 DALL·E 可以很好地生成漫畫和具有藝術(shù)風(fēng)格的圖像，但無法準(zhǔn)確地生成逼真的照片。因此，OpenAI 投入了大量資源來創(chuàng)建改進(jìn)的文生圖模型——DALL·E 2。

DALL·E 2 使用 CLIP（圖像文本對的數(shù)據(jù)集）文本編碼器。DALL·E 2 中利用了文本描述和圖像之間的關(guān)系，為 Diffusion 模型提供了一種嵌入，反映了文本輸入且更適合于圖像生成。與 DALL·E 相比，DALL·E 2 提高了圖像的質(zhì)量，并且還允許用戶擴(kuò)展現(xiàn)有圖像或計算機(jī)生成的圖像的背景。例如，把一些名作中的人物放置在自定義的背景之中。

不久之后，谷歌發(fā)布了名為Imagen 的文生圖模型。這一模型使用 NLP 模型 T5-XXL 的預(yù)訓(xùn)練編碼器，其嵌入被反饋送至 Diffusion 模型。因此，這一模型能夠更準(zhǔn)確地生成包含文本的圖像（這是 OpenAI 的模型難以解決的問題）。

然而，在 “文生圖” 領(lǐng)域最大的革命可能是Stability AI 公司發(fā)布的完全開放源代碼的 Stable Diffusion。Stable Diffusion 的計算效率遠(yuǎn)高于其他文生圖模型，以前的文生圖模型需要數(shù)百天 GPU 計算，Stable Diffusion 需要的計算量要小得多，因此資源不足的人更容易接受。它還允許用戶通過圖像與圖像之間的轉(zhuǎn)換（如將素描變成數(shù)字藝術(shù)）或繪畫（在現(xiàn)有圖像中刪除或添加一些東西）來修改現(xiàn)有的圖像。

深度學(xué)習(xí)及其圖像處理應(yīng)用現(xiàn)在處于與幾年前完全不同的階段。在上世紀(jì)初，深度神經(jīng)網(wǎng)絡(luò)能夠?qū)ψ匀粓D像進(jìn)行分類是開創(chuàng)性的。如今，這些里程碑式的模型或是采用 Transformer 或是基于 Diffusion 模型，能夠基于簡單的文本提示生成高度逼真和復(fù)雜的圖像，使得“文生圖” 領(lǐng)域大放異彩，成為藝術(shù)界的一只新畫筆。

“威脅” or “共生”，人類畫家何去何從

AI artist 自誕生起就飽受爭議，版權(quán)糾紛、輸出錯誤信息、算法偏見等等，讓“文生圖”應(yīng)用一次又一次站在了風(fēng)口浪尖。例如，今年 1 月，三位藝術(shù)家對 Stable Diffusion 和 Midjourney 的創(chuàng)建者 Stability AI 和 Midjourney 以及 DreamUp 的藝術(shù)家組合平臺 DeviantArt 提起了訴訟。他們聲稱，這些組織侵犯了 “數(shù)百萬藝術(shù)家” 的權(quán)利，在 “未經(jīng)原創(chuàng)藝術(shù)家同意” 的情況下，用從網(wǎng)絡(luò)上抓取的 50 億張圖片來訓(xùn)練 AI 模型。

藝術(shù)家們大多很害怕自己會被機(jī)器人取代，因 AI 模仿其獨特風(fēng)格的模型而失去生計。在去年 12 月，數(shù)百名藝術(shù)家向互聯(lián)網(wǎng)上最大的藝術(shù)社區(qū)之一 ArtStation 上傳圖片，表示 “對 AI 生成的圖像說不”。同時，一些藝術(shù)家悲觀地認(rèn)為，“我們正眼睜睜地看著藝術(shù)之死展開”。圍繞訓(xùn)練數(shù)據(jù)中使用的圖像版權(quán)問題，尚處于爭議之中。

當(dāng)然，也不乏一些藝術(shù)家積極地?fù)肀?AI，將文生圖模型當(dāng)作自己的繪畫助手，省去重復(fù)性的枯燥勞動。同時，一些藝術(shù)家將 AI 作為想象力的 “引擎”，在與類似 Midjourney 軟件及社區(qū)中的用戶交互中，彼此互相撕裂，產(chǎn)生新的、有趣的人類美學(xué)，進(jìn)而溢出到真實世界。正如 Midjourney 所描述的：“AI 不是現(xiàn)實世界的復(fù)刻，而是人類想象力的延伸”。

目前，監(jiān)管機(jī)構(gòu)正在追趕 AI artist 的腳步。最近，美國版權(quán)局在一封信中表示，使用 AI 系統(tǒng) Midjourney 創(chuàng)建的圖畫小說中的圖像不應(yīng)獲得版權(quán)保護(hù)，該決定是美國法院或機(jī)構(gòu)對 AI 創(chuàng)作的作品的版權(quán)保護(hù)范圍做出的首批決定之一。另外，一些學(xué)者為保護(hù)藝術(shù)家免受文生圖 DIffusion 模型的風(fēng)格模仿，提出了一個允許藝術(shù)家將精心計算的擾動應(yīng)用到他們的藝術(shù)中的系統(tǒng)—— Glaze。

一系列 “文生圖” 應(yīng)用允許沒有編程知識的藝術(shù)家及大眾使用這些強(qiáng)大的模型，生成極具視覺震撼的圖像。“給 AI 以創(chuàng)造”，不論是繪畫還是其他領(lǐng)域，這些工具可以幫助藝術(shù)家表達(dá)他們的創(chuàng)造力，并可能塑造藝術(shù)的未來。

AI 在藝術(shù)中的作用將取決于它的使用方式以及使用它的人的目標(biāo)和價值觀，重要的是要記住，這些模型的使用應(yīng)該以道德和負(fù)責(zé)任的考慮為指導(dǎo)。

https://arxiv.org/abs/2302.10913

https://arxiv.org/abs/2302.04222

https://tech.cornell.edu/news/ai-vs-artist-the-future-of-creativity/

https://www.taipeitimes.com/News/biz/archives/2023/02/24/2003794928

https://www.buzzfeednews.com/article/pranavdixit/ai-art-generators-lawsuit-stable-diffusion-midjourney

https://www.theverge.com/2023/1/16/23557098/generative-ai-art-copyright-legal-lawsuit-stable-diffusion-midjourney-deviantart

https://arstechnica.com/information-technology/2023/03/ai-imager-midjourney-v5-stuns-with-photorealistic-images-and-5-fingered-hands/