GAN：AI時代藝術(shù)創(chuàng)作的新媒介

王昊海 劉遠志

摘? 要：人工智能的時代背景下，在技術(shù)創(chuàng)新的驅(qū)動下誕生了新的藝術(shù)媒介，藝術(shù)媒介的革新帶來了更多元的藝術(shù)創(chuàng)作空間。GAN作為深度學(xué)習(xí)模型將傳統(tǒng)藝術(shù)創(chuàng)作的方式進行了自動化，利用GAN進行藝術(shù)創(chuàng)作的流程與攝影具有高度的相似性，是對藝術(shù)生產(chǎn)力的再度解放。藝術(shù)家一旦參與進GAN的構(gòu)建與創(chuàng)作中，其與藝術(shù)作品間的關(guān)系也會發(fā)生轉(zhuǎn)變。GAN應(yīng)用所帶來的藝術(shù)倫理的改變將會在討論聲中逐漸創(chuàng)立藝術(shù)的新秩序。

關(guān)鍵詞：GAN;人工智能;藝術(shù)創(chuàng)作;生成式對抗網(wǎng)絡(luò);攝影;創(chuàng)意媒介

一、藝術(shù)與GAN

生成式對抗網(wǎng)絡(luò)（Generative adversarial networks， GAN）是由Goodfellow等人在2014年提出的深度學(xué)習(xí)模型[1]?；谀Ｐ偷臄?shù)學(xué)特性，GAN對于圖像信息進行訓(xùn)練無需額外的監(jiān)督，因此其目前主要的研究對象是視覺影像。GAN模型可以用于各個領(lǐng)域，初衷也并非應(yīng)用于藝術(shù)創(chuàng)作，但是其對視覺影像的廣泛研究得以在影像藝術(shù)領(lǐng)域率先應(yīng)用。一些藝術(shù)家已經(jīng)嘗試使用GAN進行人工智能的藝術(shù)創(chuàng)作并取得了良好的社會反響，GAN還迅速以信息化優(yōu)勢得以大眾化，紅極一時的視頻實時“換臉”應(yīng)用程序也利用了GAN進行實現(xiàn)。GAN與其衍生的模型對藝術(shù)創(chuàng)作手法和傳統(tǒng)藝術(shù)觀念產(chǎn)生了越來越深刻的影響，GAN輸出視覺影像的模式已經(jīng)如同攝影術(shù)的出現(xiàn)那樣對當代藝術(shù)的倫理提出了巨大的挑戰(zhàn)。

二、藝術(shù)媒介的演變

在攝影誕生之前，西方主流的觀點認為，藝術(shù)的目的就是忠實地模仿自然[2]，由于生產(chǎn)力尚未爆發(fā)式增長，藝術(shù)媒介在很長一段時間里并沒有出現(xiàn)質(zhì)的改變，藝術(shù)家們也幾乎一直忠于這樣的終極目的進行實踐。而攝影的誕生以其無可比擬的優(yōu)勢打破了這一思維定勢，科學(xué)技術(shù)的突破帶來的藝術(shù)媒介的進階，將傳統(tǒng)藝術(shù)從準確描繪模仿自然的歷史使命中解放出來。

藝術(shù)媒介的演進為藝術(shù)突破奠定了物質(zhì)基礎(chǔ)。藝術(shù)創(chuàng)作的突破性進展往往也伴隨著新技術(shù)或者新手段的出現(xiàn)。達·芬奇的作品為什么這么成功？因為在當時他運用了新的顏料、新的繪畫技法、新的工具[3]，由此又會誕生新的藝術(shù)觀念進而再次推動藝術(shù)媒介的演進。伴隨著近現(xiàn)代生產(chǎn)力的解放，藝術(shù)媒介的更迭更加迅速與多元化。于傳統(tǒng)藝術(shù)形式而言，通過對不同維度信息的捕捉輸入至計算機完成了初步的信息化，承接傳統(tǒng)藝術(shù)創(chuàng)作的介質(zhì)在變化，但是藝術(shù)創(chuàng)作的過程依舊沒有突破傳統(tǒng)維度，而GAN模型的應(yīng)用會改變這一現(xiàn)狀。

三、GAN：將藝術(shù)創(chuàng)作流程攝影化

攝影在按動快門的一瞬間即完成了創(chuàng)作的大部分，藝術(shù)家對于鏡頭捕捉光線在底片上留下影像這一過程是難以干預(yù)的，而這樣的一種顛覆性的創(chuàng)作過程使得攝影創(chuàng)作的藝術(shù)性直到今天依舊存有爭議。即便如此，當今大部分的藝術(shù)創(chuàng)作中都可以看到攝影思維的影子，攝影也以其便捷性成為一種強有力的工具來輔助其他類型的藝術(shù)創(chuàng)作，為其他藝術(shù)形式的傳播提供了可靠的延展。傳統(tǒng)藝術(shù)創(chuàng)作對技藝精良的需求是極高的，未經(jīng)歷常年累月的技術(shù)訓(xùn)練和相對長時間的創(chuàng)作過程就幾乎無法創(chuàng)作出優(yōu)秀的作品，而攝影尤其是進入數(shù)碼時代后的攝影幾乎沒有技術(shù)訓(xùn)練的需求，藝術(shù)觀念的表達不再依賴于漫長的創(chuàng)作過程。

（一）GAN模型與攝影模型

圖1反映了藝術(shù)家利用GAN模型進行創(chuàng)作的過程。GAN模型會依據(jù)輸入圖像與輸入需求進行圖像輸出，藝術(shù)家需要對傳入人工智能模型的圖像進行篩選并設(shè)置、優(yōu)化參數(shù)，然后再對人工智能所創(chuàng)造的圖像進行篩選。在整個創(chuàng)作過程中，藝術(shù)家或者模型使用者只需要對參數(shù)和輸入輸出圖像進行負責，對GAN內(nèi)部具體實現(xiàn)方式無需深入的了解。

圖2反映了藝術(shù)家利用攝影模型進行創(chuàng)作的過程。藝術(shù)家需要對拍攝場景進行前期選材，以及對照相機獲取的影像做后期必要的篩選與調(diào)整，并由此優(yōu)化照相機設(shè)定的參數(shù)。藝術(shù)家同樣不需要對相機內(nèi)部的成像原理有完全充分的了解。

將GAN模型與攝影模型的流程進行對比，GAN模型與攝影模型在藝術(shù)創(chuàng)作的流程上的一致性顯而易見，傳統(tǒng)藝術(shù)中最耗時費力的創(chuàng)作過程在這兩個模型中都得到了大幅的縮減且不再向用戶開放。

（二）攝影的再現(xiàn)與GAN的再現(xiàn)

攝影模型與GAN模型內(nèi)部的具體細節(jié)不對用戶開放。攝影模型的工作主要對通過透鏡后的光線進行轉(zhuǎn)譯，已經(jīng)經(jīng)歷了從手工描摹到化學(xué)感應(yīng)再到電子信號的多次迭代，對輸入的再現(xiàn)目前主要由相機的制造者完成。而在攝影模型完全構(gòu)建前與誕生早期，藝術(shù)家們對模型的出現(xiàn)功不可沒。早在15世紀，畫家就開始利用暗箱進行光學(xué)描摹以獲得精確的影像[4]，而暗箱可以視作是攝影模型的光學(xué)部分，直到化學(xué)感應(yīng)光線的底片出現(xiàn)后才組成了完整的攝影模型。藝術(shù)家們飽含的對還原自然的終極理想的人文主義精神實質(zhì)性地推動了科學(xué)技術(shù)的進步，而如今攝影模型的記錄流程已經(jīng)實現(xiàn)了全自動化，無需藝術(shù)家的介入。

GAN的藝術(shù)模型的遠景理想是由人工智能無監(jiān)督地學(xué)習(xí)并自我創(chuàng)造，用戶對創(chuàng)作過程也無需再進行了解與介入，而GAN模型目前還處于早期的構(gòu)建中，需要藝術(shù)家與大量的藝術(shù)作品參與構(gòu)建，藝術(shù)家也必須要充分了解GAN內(nèi)部的運作流程。

四、GAN的藝術(shù)創(chuàng)作流程

GAN的核心思想來源于博弈論中的二人零和博弈，圖3即展現(xiàn)了藝術(shù)家利用GAN進行藝術(shù)創(chuàng)作的過程。GAN 模型的基本結(jié)構(gòu)由一個生成器 （Generator） 和一個判別器 （Discriminator） 組成[5]。生成器可以被看作是一個圖片生成模型，它的目標是生成一張真實的圖片，與此同時還要具備一個判別器，它的目標是能夠判斷輸出的圖像是生成出來的還是真實存在的。由生成器生成的圖片會由判別器學(xué)習(xí)區(qū)分生成的圖片和真實的圖片進而反饋給生成器進行改進生成新的圖片以供再次判別，直至判別器無法判斷出輸出的圖像究竟是生成出來的還是真實的。

經(jīng)過大量圖片的輸入訓(xùn)練學(xué)習(xí)，利用GAN可以最終得到與原作相仿的作品，而相似度和風(fēng)格的差異化可以通過參數(shù)調(diào)整來優(yōu)化，隨機噪聲的引入則可以讓生成結(jié)果更具備多樣性。利用這樣的模型，藝術(shù)家可以對藝術(shù)作品進行攝影化的藝術(shù)化量產(chǎn)，每一個由GAN生成的圖像都可以體現(xiàn)作者本身的意圖而在表達上又是完全不同的。

五、GAN在藝術(shù)領(lǐng)域的應(yīng)用

GAN的原始模型是一個原理性模型，應(yīng)用于藝術(shù)創(chuàng)作則需要對模型進行改造。而在GAN模型提出后的短短幾年內(nèi)，與藝術(shù)創(chuàng)作的高契合度，已經(jīng)涌現(xiàn)出了一大批有意識或無意識的藝術(shù)衍生模型。

（一）GAN藝術(shù)衍生模型介紹

1.創(chuàng)意對抗網(wǎng)絡(luò)（Creative adversarial networks， CAN）

CAN是GAN模型在藝術(shù)領(lǐng)域的具體實踐，由具備藝術(shù)史研究背景的Mazzone和計算機科學(xué)研究背景的Elgammal在2017年提出。作者指出了GAN模型的重心還是在于生成而非創(chuàng)造，藝術(shù)風(fēng)格的創(chuàng)作性、突破性這一藝術(shù)發(fā)展的重要特征并沒有體現(xiàn)出來[6]26。為了解決這一問題，作者對GAN的原始模型進行了改造，讓其可以從感性和認知的角度進行發(fā)展和演變，讓人工智能的藝術(shù)創(chuàng)作能擁有自我創(chuàng)造的能力。

在訓(xùn)練CAN模型過程中加入了對藝術(shù)家練習(xí)早期藝術(shù)作品直到某一刻他們?nèi)〉猛黄七M展的模擬，以輸出更新奇的作品。藝術(shù)家們通過增加藝術(shù)作品與主流審美的偏理性來制造新奇，這種增加必須是適度的，過多的新奇則會造成負面效應(yīng)。在馬丁代爾的理論中，這被稱為“最小努力”原則，這在藝術(shù)創(chuàng)作中是至關(guān)重要的，因為過多的新奇會導(dǎo)致觀看者對藝術(shù)內(nèi)容的無法理解[7]。

于是，在CAN模型中，作者加入兩種相互對抗的力量，一種是促使機器遵循輸入圖像所展示的藝術(shù)的美學(xué)，盡可能地減少風(fēng)格的偏離，而另一種力量則在模仿已經(jīng)確立的風(fēng)格時最大限度地進行藝術(shù)風(fēng)格的模糊與偏離。利用這兩種對立力量的對抗確保了藝術(shù)作品的新穎性的同時也保證了不會偏離可接受的審美標準。

藝術(shù)家在參與CAN模型進行創(chuàng)作時，不但需要對參數(shù)進行優(yōu)化，還要對藝術(shù)風(fēng)格進行分類和對藝術(shù)風(fēng)格的模糊的程度進行把控，以協(xié)助人工智能完成藝術(shù)風(fēng)格上的突破（如圖4）。圖5是由Elgammal利用CAN生成并展出的影像。在美國洛杉磯、邁阿密等地成功地舉辦了藝術(shù)展覽，在展覽中人們并沒有察覺到這樣的藝術(shù)作品是由人工智能模型所生成的。這說明由藝術(shù)家參與定義篩選、CAN模型自主學(xué)習(xí)生成的影像至少在形式上已經(jīng)可以做到與人類藝術(shù)家以傳統(tǒng)方式制作的影像相仿。

2.循環(huán)對抗網(wǎng)絡(luò)（Cycle generative adversarial networks， CycleGAN）

CycleGAN從原理上對GAN進行了改造，由Phillip Isola等五人在2017年提出。傳統(tǒng)的GAN是單向的，CycleGAN則利用了兩個GAN也就是在具備兩個生成器及判別器的情況下進行鏡像對稱構(gòu)成一個環(huán)形的網(wǎng)絡(luò)以進行非匹配成對的圖像到圖像的翻譯，在沒有成對匹配的圖像的情況下，通過算法進行相互數(shù)據(jù)集特征的收集，將一個數(shù)據(jù)集的特征應(yīng)用至另外一個數(shù)據(jù)集上。圖6展現(xiàn)了CycleGAN對藝術(shù)品進行轉(zhuǎn)譯的效果，在第一組實驗中，一組數(shù)據(jù)集是風(fēng)景照片，另一組則是莫奈的畫作。通過CycleGAN對兩組數(shù)據(jù)集訓(xùn)練，不僅可以將莫奈的作品轉(zhuǎn)化為照片，同時也可以將照片轉(zhuǎn)化為莫奈的風(fēng)格，由于鏡像結(jié)構(gòu)的存在這兩者是同時進行的。通過CycleGAN不僅可以實現(xiàn)畫作與照片這種實體存在的相互轉(zhuǎn)換，還可以實現(xiàn)一些在模型中不存在的相互轉(zhuǎn)化與生成，第二組中對斑馬和馬紋理的特征替換在自然界中是不存在的，是CycleGAN在經(jīng)過訓(xùn)練后無中生有的。

另外，CycleGAN并不僅僅局限于圖片的風(fēng)格遷移，還可以進行更廣泛形式的圖片互譯，以往依靠人工與少量數(shù)據(jù)難以提取出的對應(yīng)關(guān)系特征，在CycleGAN的對抗性學(xué)習(xí)中得以進行總結(jié)。圖7反映了利用CycleGAN進行互譯的案例，從黑白照片與彩色照片相互轉(zhuǎn)換、語義標簽與圖像的相互轉(zhuǎn)換、圖像的線稿與圖像的相互轉(zhuǎn)換，為傳統(tǒng)藝術(shù)創(chuàng)作中一些耗時費力的過程提供了更好的解決方案。然而，這一模型的出發(fā)點也并非針對藝術(shù)領(lǐng)域，藝術(shù)家的真實需求還不能完善地反映在模型中，模型的完善與優(yōu)化仍需要藝術(shù)家的更多介入。

（二）GAN的具體實踐

我們在實驗室中利用CycleGAN的開源代碼，以風(fēng)景照片、日本浮世繪作為數(shù)據(jù)集進行了具體的GAN模型藝術(shù)化實踐。在實驗中，我們先后準備了大量的素材樣本，機器學(xué)習(xí)對素材的量的需求是超乎想象的，深度學(xué)習(xí)模型需要有大量的參數(shù)，若數(shù)據(jù)樣本少，則很容易出現(xiàn)“過擬合”的現(xiàn)象，由于樣本數(shù)量少而進行過度訓(xùn)練，當預(yù)測訓(xùn)練示例結(jié)果的表現(xiàn)增加時，應(yīng)用在未知數(shù)據(jù)的表現(xiàn)則變更差[10]。只有在大量的素材的提供下才能將藝術(shù)風(fēng)格穩(wěn)定在一定的區(qū)間內(nèi)。素材量的要求數(shù)以百計起，因此，對藝術(shù)家在素材整體的風(fēng)格類型的宏觀把控上提出了要求。

去訓(xùn)練一個GAN模型目前需要耗費大量的時間與精力，我們在實驗室中則花費了數(shù)周時間來訓(xùn)練一個GAN模型。在訓(xùn)練過程中并不是所有生成圖像都符合我們的期待，有時甚至?xí)霈F(xiàn)一些意想不到的情況，這時需要藝術(shù)家以其專業(yè)目光進行篩選并對參數(shù)進行優(yōu)化。

圖8中展示了實驗中輸出的案例，照片向畫作的模擬在素材合適的情況下在較短的訓(xùn)練周期內(nèi)便可比較好地完成，再有意識地進行一些“無中生有”，整體風(fēng)格的遷移就可以很直觀地觀察出來。

整體風(fēng)格的遷移在兩個方向的訓(xùn)練上都有顯著的展示，輸入的風(fēng)景圖片多帶有藍天，整體色調(diào)偏藍，畫作紙張本身色調(diào)則是偏黃的，依據(jù)案例可以發(fā)現(xiàn)輸出的圖像的色溫得到了準確的交換。

而畫作向照片的轉(zhuǎn)譯時則出現(xiàn)了細節(jié)方面的問題，畫作中的印章、題字等在現(xiàn)實的環(huán)境中并不存在，雖然GAN已經(jīng)有意識地將印章、題字等抹去，但處理的還不夠完善。由于輸入的照片幾乎都是風(fēng)景照片，而畫作中則有人物出現(xiàn)，在畫作從人物向照片轉(zhuǎn)譯時就會明顯感受到映射關(guān)系的缺失，也印證了藝術(shù)家對樣本的選擇是至關(guān)重要的。

在收集的樣本中，風(fēng)景照片有一千余張，而畫作只收集到了五百余張，畫作樣本數(shù)量的缺少是本實驗先天上的不足，也是傳統(tǒng)藝術(shù)形式人工智能化的困難所在。同一作者同一風(fēng)格的優(yōu)秀作品的數(shù)量往往不能夠達到成熟訓(xùn)練一個GAN模型的需求，這就需要一方面改進GAN的學(xué)習(xí)模型，另一方面要對傳統(tǒng)藝術(shù)先進行傳統(tǒng)手法的模仿以制作更多可供機器學(xué)習(xí)的樣本。

六、人工智能藝術(shù)創(chuàng)作的倫理

正如百年前攝影作為新媒介的誕生，攝影術(shù)一度被視為畫家偷懶的工具，攝影作品曾長期被拒絕于藝術(shù)大門之外，得不到畫家的承認[11]。GAN的出現(xiàn)在推進人工智能在藝術(shù)領(lǐng)域發(fā)展的同時，一系列的問題也隨之而來。人工智能創(chuàng)作的歸屬權(quán)該如何劃分？人工智能是否能夠真正的獨立創(chuàng)作作品？人工智能是否會取代人類藝術(shù)家？這都是我們今天需要討論的話題。

機器是否能夠獨立思考這一命題在計算機誕生之初便存在了，人工智能這一概念最早由計算機科學(xué)之父艾倫·圖靈提出，并提出了關(guān)于判斷機器能否思考的著名實驗——圖靈測試，通過圖靈測試即可宣告具備人工智能。圖靈測試最終的判斷標準，是人工智能有沒有騙過人類，或者更準確地說，就是人工智能是否已經(jīng)掌握與人相似的表述方式[12]。目前的一些文藝美學(xué)人工智能研究成果已經(jīng)十分趨近于這一目標。在重大事件的報道上，當新聞記者還沒敲下鍵盤時，人工智能已經(jīng)將完成的新聞報道在不同平臺發(fā)布了，而用戶卻難以察覺到。當人類創(chuàng)作的詩詞和人工智能創(chuàng)作的詩詞同時讓人類專家進行鑒別時，專家也無法完全甄別出真?zhèn)?。人工智能的研究目前處于深度學(xué)習(xí)的階段，需要大量的數(shù)據(jù)進行支持，而受益于大數(shù)據(jù)時代的到來，文學(xué)作品固有的創(chuàng)作模式和豐富的保有量讓“騙過人類”成為了可能。

然而，與此同時，科學(xué)家們則認為真正的人工智能智慧大爆發(fā)的“奇點”尚未到來[13]，人工智能目前還處于一個比較初級的階段，有關(guān)人工智能的理念并沒有取得質(zhì)的突破，人工智能具備自我意識還是一個很遙遠的目標，在很長的一段時期內(nèi)不必有人工智能完全取代人類藝術(shù)家的擔憂。

人工智能藝術(shù)的歸屬權(quán)問題則要看人工智能模型演化的程度。在早期，藝術(shù)家主要對模型構(gòu)建負責，藝術(shù)家的傳統(tǒng)藝術(shù)作品是人工智能模型的藝術(shù)來源，歸屬權(quán)自然由藝術(shù)家取得。而待模型成熟，用戶利用人工智能進行創(chuàng)作后則由藝術(shù)家與用戶共享歸屬權(quán)。當人工智能有一天演化為創(chuàng)作過程的主導(dǎo)者并不斷在人類的訓(xùn)練中形成自己的藝術(shù)風(fēng)格并能獨立思考創(chuàng)作時，那么可能就需要我們同人工智能去對話探討歸屬權(quán)問題了。

七、GAN與藝術(shù)的現(xiàn)在與未來

GAN是人工智能時代下的新興產(chǎn)物，尚存有巨大的完善空間，目前的GAN模型還處于構(gòu)建狀態(tài)，但努力并非僅僅需要算法編寫者的努力，更亟待的是藝術(shù)方法論的指導(dǎo)，需要藝術(shù)家與藝術(shù)作品廣泛地參與其中。誠然，目前參與GAN的改進還是有一定的學(xué)習(xí)成本的，但藝術(shù)的先鋒實驗是在未來藝術(shù)探索道路上的必經(jīng)之路。這是一個不斷數(shù)字化的時代，也是一個不斷制定新標準的時代，在我國信息化應(yīng)用在其他領(lǐng)域領(lǐng)先世界的同時，藝術(shù)家們也有必要參與對未來藝術(shù)世界標準的制定。

當GAN模型構(gòu)建訓(xùn)練完成后，藝術(shù)家的身份就會轉(zhuǎn)變?yōu)橛脩襞c模型維護者，而藝術(shù)創(chuàng)作的主導(dǎo)權(quán)則交由了用戶與GAN模型本身。這種角色的轉(zhuǎn)換會讓一些藝術(shù)家感到不適應(yīng)，且對攝影式的藝術(shù)大眾化、產(chǎn)業(yè)化的行為保持警惕。但這是一個巨大的歷史機遇，沒有攝影術(shù)的誕生，也就難有20世紀藝術(shù)家們在藝術(shù)觀念上的突破，作為藝術(shù)與科技的研究者需要更有信心去面對未來的機遇和挑戰(zhàn)。基于GAN模型的全新創(chuàng)作方式以其科學(xué)性、更優(yōu)良的秩序感很有可能超越攝影成為一種更大眾的藝術(shù)，而GAN模型的普遍接受與使用還需要不斷地優(yōu)化迭代，將能夠被大眾廣泛接受的藝術(shù)創(chuàng)意工具直接呈現(xiàn)給大眾，這樣的GAN模型本質(zhì)上已經(jīng)成為了藝術(shù)家智慧的結(jié)晶，在藝術(shù)價值與觀念傳播上的影響力將是前人無法企及的。

在藝術(shù)家的觀念指導(dǎo)及算法的不斷演進下，更加完善的GAN衍生模型或者足以讓GAN改頭換面的人工智能新模型一定會在未來出現(xiàn)。我們有理由憧憬人工智能給藝術(shù)帶來的無限可能性。藝術(shù)家需要懷抱遠大的理想去參與并引領(lǐng)這樣的變革，共筑人類和藝術(shù)更加美好的未來。

參考文獻：

[1]Goodfellow I， Pouget-Abadie J， Mirza M， et al. Generative adversarial nets[C]//Advances in neural information processing systems. 2014： 2672-2680.

[2]Thomas E. Wartenberg.什么是藝術(shù)[M].重慶：重慶大學(xué)出版社，2018：4.

[3]胡曉琛.數(shù)智藝術(shù)——人工智能與數(shù)字媒體藝術(shù)設(shè)計教育[J].藝術(shù)教育，2018（16）：100-101.

[4]霍克尼.隱秘的知識：重新發(fā)現(xiàn)西方繪畫大師的失傳技藝[M].杭州：浙江人民美術(shù)出版社，2018：200.

[5]王坤峰，左旺孟，譚營，等. 生成式對抗網(wǎng)絡(luò)： 從生成數(shù)據(jù)到創(chuàng)造智能[J].自動化學(xué)報，2018（5）： 769-774.

[6] Mazzone M， Elgammal A. Art， creativity， and the potential of Artificial Intelligence[C]//Arts. Multidisciplinary Digital Publishing Institute， 2019， 8（1）： 26.

[7] Martindale C. The clockwork muse： The predictability of artistic change[J]. 1992.

[8]Zhu J Y， Park T， Isola P， et al. Unpaired image-to-image translation using cycle-consistent adversarial networks[C]//Proceedings of the IEEE international conference on computer vision. 2017： 2223-2232.

[9] Isola P， Zhu J Y， Zhou T， et al. Image-to-image translation with conditional adversarial networks[C]//Proceedings of the IEEE conference on computer vision and pattern recognition. 2017： 1125-1134.

[10]周志華.機器學(xué)習(xí)[M].北京：清華大學(xué)出版社，2018：23-24.

[11]林路.攝影思想史[M].杭州：浙江攝影出版社，2015：17.

[12]畢丞.人類為什么不會被人工智能取代？——人工智能的技術(shù)本質(zhì)研究[J].北京科技大學(xué)學(xué)報（社會科學(xué)版），2019（2）：102-108.

[13]陳彥青.“AI”的邊界， 藝術(shù)與設(shè)計的可能[J].新美術(shù)，2018（7）：88-93.

作者簡介：王昊海，上海師范大學(xué)影視傳媒學(xué)院碩士研究生。研究方向：藝術(shù)與科技。

劉遠志，華東理工大學(xué)信息科學(xué)與工程學(xué)院碩士研究生。研究方向：人工智能與物聯(lián)網(wǎng)。