Fork me on GitHub

美术老师去世后,他做了一个算法模型,为老师的线稿上色

  大数据文摘出品
  来源:artnome
  编译:楚阳、橡树_Hiangsug、夏雅薇

  机器学习最能发挥功效的地方是协助人而非取代人。

  尽管我们可能无法从头开始构建自己的机器学习模型,但是类似于 Runway ML 和 Joel Simon 即将推出的 Artbreeder 等新兴工具的出现使得每个人都可以借用开源的机器学习模型进行艺术创作。

  我们的屏幕会因此而充满俗不可耐的图片吗?还是说机器学习其实更好激发人的创造力,指明艺术发展的新方向?

  一位名叫 Jason Bailey 的艺术家在自己的高中艺术老师去世后,想要用一种不同的方式,来纪念他。

  一起看看👇

  我的高中艺术老师,也是我最重要的导师马克·马奇(Marco Marchi)告诉我:新的工具可以激发创造力,但创造力绝不能止步于此。

  这对于机器学习模型尤其如此,模型只是对图片进行了视觉效果转化,就像一键启用的滤镜一般缺乏创造力。

  马克还告诉我,艺术的创造之美在于探索和发现。同样,艺术欣赏就是解读艺术家的探索之路,并从中寻找自己的见解的过程。

  如果是一键实现滤镜或使用机器学习模型来创作的艺术作品,通常不会带来很多探索体验,也不会有很多值得人解读的东西。但如果把它作为一种辅助工具,我相信这将是一个带领大家进入更丰富的艺术之旅的起点。

  前不久,马克去世了,我一直非常想念他,也一直想重温他的杰出作品。我用一周时间研究了一个为线稿上色的机器学习模型—style2paints,并尝试着用它为马奇的几幅草图上色。


由 Marco Marchi 绘制的《Earth Gift》线稿


由 style2paints 上色的《Earth Gift》

  我很好奇如果马克看到这些机器学习新工具会怎么想,相较于犹豫与怀疑的态度,我还是猜测他会投来好奇的目光。于是,我通过 style2paints 展开一系列实验,借这一过程探索面向大众的机器学习是会提高创造力还是会使作品更加俗气,亦或是两者皆有。

  工具性质的 AI 其实是提升创造力及引入未知性的利器

  在对马克的线稿尝试后,我又将 style2paints 运用到其他简笔画上,企图找到它的艺术特点和创作突破点。我从类似于 MET 这样的艺术收藏网站上获取了大量版画和绘画素材。


《查尔斯·梅里恩肖像》,1853,费利克斯·布拉克蒙德


《查尔斯·梅里恩肖像》, style2paints 更新版

  我很快得到了一个发现:具有更少细节和阴影的图像往往会产生更逼真的视觉效果,但越逼真不一定代表越有趣。

  此外,我发现借助‘破解工具’是一种创新捷径。在 Runway ML 中,我可以使用各类不同色调,亮度和灰度组成的滤镜使我突破 style2paints 模型本身的一些限制。


《吉多·阿诺特肖像》,1918,埃贡·席勒


《吉多·阿诺特肖像》,style2paints 更新版

  机器学习模型中一直存在“种族偏见”,即所谓的“粉饰”,在此表现为模型填涂的肤色更多为浅色人种(由于训练集中的肤色比例不协调所致)。在 Runway ML 中,我发现通过特定的滤镜组合会产生逆转效应,生成更多种类的肤色,这从下面这组图中可见一斑。


《面朝右的裸人》,1918,埃贡·席勒


《面朝右的裸人》,style2paints 更新版

  我尝试输入一些更不寻常的样本继续破解模型的输出特征。比如托马斯·罗兰森的《比较解剖学》这一作品,原作将人类面部与卡通化的大象和公牛的头部进行了比较,结果如下图所示。


《比较解剖学》,1800-’25,托马斯·罗兰森


《比较解剖学》,style2paints 更新版

  我非常喜欢这些卡通形象的渲染效果,输入的细节特征越少,模型产生的效果就越抽象,填色结果也越有趣。

  是否有别的素材可以简化类似于卡通形象和彩色插图这样的最小输入特征呢?很快,我便想探究把彩色插图嫁接到历史版画上是什么效果。

  刚开始我使用 Photoshop 拼接图像,但画面显得有点脱节。于是我把图像打印出来,直接用钢笔和马克笔修改图像,使得它看起来更连贯,用修改后的图像重新跑一遍模型。

  直接用笔在打印的图像上画图产生了很好玩的效果。

  出于强烈的好奇,我快速勾勒出一个盯着荷马·辛普森的怪物,并想看看模型会如何处理它。

  不可思议的是,模型把我随意勾勒的形象变成了一个引人注目的幽灵。

  现在我拥有了一张十分独特的图像(至少我是非常满意的)。当然,它暂时还不会被卢浮宫收藏,但我之前的所有尝试其实是在开发一种帮助我理解的‘视觉语言’,使我的创作灵感和模型自行输出的不确定性碰撞出新的火花。

  我萌生出将来自 MET 数据库的高雅历史版画和儿童插画书上的卡通人物混搭在一起的想法,以下是我的尝试之一——把毕加索的画和加菲猫混搭在一起(姑且称之为 Picarfield)。


《毕加索加菲猫混搭》,詹森·贝利,2019

  原模型输出的结果有些平淡无奇,但当我开始一点点地‘破解’它时,它变成了充满伪影的小故障版本——这种结果正是我想要的。

  迎难而上并进行深层次的探索是提升创造力的诀窍

  我很喜欢一个名为艾伯特·奥伦的画家,他是这方面的专家,他在最近的一次访谈说道:

  如果有人指着我的一幅画说道:“这只是一堆乱糟糟的东西”,我认为“只是”这个词可能并不准确,但我对“一堆乱糟糟的东西”是完全认可的——如果有人说“哇,我从没见过类似的作品”,这难道不才是创作真正的内涵所在吗?这才是真正值得皆大欢喜的事情!

  奥伦的计算机绘画把 Mac 喷涂美学转换为高级艺术。


《电子展》,1991,艾伯特·奥伦

  我最终发现把抽象图像输入到模型是很有意思的研究方向。输入手绘图像貌似是解决机器学习模型输出结果千篇一律的好方法。我以我的妻子为原型画了一张怪异的轮廓图(抱歉,亲爱的,以下你可以忽略),把它在 style2paints 中跑了一遍。

  然后“把一只鸟放在上面”(来源于美剧《波特兰迪亚》中的一个桥段)。

  为了改善一点,我又为艾琳(作者的女友)画了一些更清楚(也更好看)的生活绘画。为了玩转 AI 模型,这是我这么多年来第一次画生活绘画,听起来有点讽刺!

  最终,我没有画出任何杰作(那是因为这两天我的时间都用来写这篇文章了),但这种经历是十分宝贵的。我实验的次数越多,就越有可能得到好玩的结果——经历和探索才是使任何艺术都变得有趣的秘诀。

  我之所以欣赏且经常在文章中写到像 Helena Sarin, David Young, 和 Robbie Barrat 这样的艺术家,是因为他们并非只是简单的应用模型,而且对创造过程进行了深度挖掘,这些从他们的作品中就可以看出来。


《Pocos Frijoles,一家工匠咖啡店》,Helena Sarin

  Helena 很乐意将她的海量作品分享到 Twitter 上。

  链接:

  https://translate.google.com/translate?hl=zh-CN&sl=en&u=https://twitter.com/glagolista&prev=search

  随后她将创立一个独立的网站展示这些作品。

  链接:

  https://www.neuralbricolage.com/

  看她的发展道路是很有趣的,因为她发掘不同的方向,不断探索把手绘画和机器学习之画融合所产生的影响。


《裸人相》,Robbie Barrat,2019

  Robbie 最近专注于将传统的艺术训练方法纳为其研究的一部分,他说道:“我试图将更多的传统方法(这次是纸质画)融入到神经网络中以产生更好的艺术作品。”


《头脑放空系列》,David Young, 2019

  David Young 则把机器学习模型分解为尽可能少的片段以“揭示 AI 实质”。正如他在他的网站中说道:“这些图像是对机器学习过程的探索,它们仅由少量的训练图像生成”

  这三位艺术家在艺术创作时都应用了机器学习模型,但也仅仅是大同小异。机器学习工具只是一个起点,正是它本身的学习过程使得它们的作品丰富而独特。

  相反地,有一类“艺术家”一边为机器学习模型签上自己的名字,一边冠冕堂皇道:AI 正在取代人类艺术家。这是令人悲伤的,因为艺术和机器学习结合将有巨大的潜力来教育那些对 AI 既焦虑又迷茫的人群。当 AI 浪潮过去,我们步入 AI 的下一个冬天,无知的反乌托邦 AI 艺术作品将会更少。幸运的是,这些作品终将淹没在历史长河中——届时,这些使用 AI 和 ML 工具的艺术家也应该转向探索新的领域了。

  我对 Runway ML 和 Artbreeder 仍然持乐观态度,越来越多的传统(抽象)艺术家会运用这种新的(数字化的)工具展示更深刻的艺术创造过程。这些艺术家可能不会训练自己的机器学习模型,但是我期待繁荣的艺术进程将现有的艺术作品引领到更令人兴奋的发展方向。

  这篇文章是为了缅怀我的高中艺术老师马克·马奇,马克不仅桃李满天下更是我们的良师益友。他教会我们独立的创造思维,教导我们不要满足于现状。将来要成为像他一样的人的信念支撑我走完了高中和大学之路。安息,马克。

  相关报道:

  https://www.artnome.com/news/2019/6/30/machine-learning-for-art-deep-kitsch-or-creative-augmentation

来自:
大数据文摘(ID:BigDataDigest)

作者:Johnson
原创文章,版权所有,转载请保留原文链接。