划重点:
🔍 研究人员利用强化学习训练 AI 代理人自主创建真正的拼贴艺术品
🔍 强化学习模型通过与画布互动来学习拼贴艺术品的创作过程
🔍 该方法通过用户研究和基于 CLIP 的评估证明了其在 AI 生成的艺术方面的出色性能
韩国首尔国立大学的研究人员致力于训练能够自主创作真正拼贴艺术品的 AI 代理人。目前市面上的 AI 工具（如 DALL-E 和 StableDiffusion）可以生成类似拼贴的图像，但缺乏真正的创作过程的真实性。
为了克服这一挑战，研究人员引入了一种开创性的方法，利用强化学习（RL）来训练 AI 代理人创作 “真正的拼贴艺术品”。与基于像素的方法不同，该方法涉及撕裂和粘贴材料，以复制著名艺术品和其他图像的步骤。研究人员摆脱了现有工具的限制，通过强化学习赋予 AI 代理人理解和执行创作拼贴艺术品的微妙步骤的能力。
研究人员的方法是通过训练 RL 模型与画布进行交互，在拼贴艺术品创作过程的每个步骤上做出决策。在训练过程中，AI 代理人被随机分配的图像所喂养，从而学会适应后续的任何目标或材料。通过多种剪切和粘贴选项，RL 代理人尝试使用不同的材料，以确定哪些材料能够产生与目标图像相似的拼贴艺术品。奖励系统随着时间的推移而发展，主要是增强代理人制作的拼贴艺术品与目标图像之间的相似性。
一个关键的方面是开发可微分的拼贴环境，以便应用基于模型的 RL。这个环境可以让代理人轻松跟踪拼贴艺术品创作过程的动态。该团队的模型在各种图像和场景中具有很好的泛化能力。该架构的突出特点在于其自主性，它不需要拼贴样本或演示数据，强调了 RL 提供的强大无数据学习领域的潜力。
评估包括用户研究和基于 CLIP 的评估。结果表明，与其他基于像素的生成模型相比，该方法的性能更优。该方法的应用标志着 AI 生成的拼贴艺术品在模仿人类艺术创作深度方面迈出了重要的一步。
首尔国立大学的研究团队成功地利用强化学习训练了能够真正创作拼贴艺术品的 AI 代理人。他们的创新模型超越了现有的基于像素的方法，展示了强化学习在使代理人能够自主学习和执行创作真正拼贴艺术品的复杂步骤方面的潜力。通过用户研究和客观评估的验证，这一突破为 AI 在艺术创作中开辟了新的道路，为机器在视觉艺术领域有意义地贡献创造了前景。
论文网址:https://arxiv.org/abs/2311.02202
（举报）