AI绘画之路：从简笔画到逼真人脸生成

近年来，AI绘画成为热门话题，从简笔画到逼真人脸，AI画家快速发展，似乎预示着新星崛起。AI是如何学习绘画的？本文梳理AI绘画发展史，带领读者了解这位新晋画家。

作为计算机视觉研究热点之一，AI绘画技术近年来迅猛发展，相关模型和应用引起广泛讨论。过去，AI只能绘制简笔画，而今能绘出逼真人脸，难以分辨真伪。那么，这位绘画界新星是如何快速发展的？AI掌握了哪些绘画技术？让我们一同探寻AI绘画的成长之路。

AI绘画并非近年新词。自2004年至2007年，“AI painting”成为热门搜索词；自2008年起，热度下降并趋于稳定；直至2017年5月，再次引起公众关注。

1973年，Harold Cohen与电脑程序“AARON”合作进行绘画创作。与现今数字绘图不同，AARON利用机械手臂在画布上作画。80年代，AARON掌握了三维物体表现技巧；90年代，学会使用多种颜色。至今，AARON仍在创作。

Python语言流行后，名为“turtle”的绘图库开始受关注，灵感源自1966年Wally Feurzig和Seymour Papert创造的Logo编程语言。AI绘画更多指基于机器学习模型的自动数字绘图程序。2012年，吴恩达和Jeff Dean使用Google Brain的1.6万CPU训练神经网络生成猫脸图像。虽模糊，却开启计算机视觉领域新方向，即我们所谓的AI绘画。

让AI学会绘画是模型建立和参数训练过程。每幅画用m×n像素矩阵表示，彩图每像素由RGB三通道组成。训练AI绘画面临挑战，如论文《Learning to Paint with Model-based Deep Reinforcement Learning》所述：

模型参数冗杂，每笔画包括位置、形状、颜色等多参数，导致庞大参数集合；
确定笔画关系复杂，纹理丰富画作需多笔完成，涉及组合和覆盖关系确定；
AI与绘画软件接入困难，导致数据获取成本高。

此外，除了模仿，让AI创作风格亦难，因为“创造”抽象难以表达，训练数据有限。了一些有趣的应用。

在2018年的BMVC上，Tao Zhou等人提出了一种使用强化学习方法构建的深度Q网络模型，该模型能够产生涂鸦类和水彩类绘画。随后，基于Sketch-RNN模型，出现了更多的AI绘画模型。Facebook在2017年提出了创造性对抗网络（CAN）模型，通过引入绘画的时间信息使模型产生更多样的绘画风格。与传统的GAN不同，CAN模型在创意性上取得了令人满意的成果。

2018年，DeepMind推出了名为“SPIRAL”的智能体，它基于强化对抗学习方法，能够与计算机绘图程序进行合作绘画。这些新模型的涌现为AI绘画领域带来更多可能性，展示了人工智能在艺术创作中的潜力。arningToPaint”的绘画AI，其采用了深度确定策略梯度算法（DDPG）作为基准算法。通过结合策略梯度算法和值函数构建，并采用演员-评论家（actor-critic）框架，他们成功加速了模型的训练速度。相较于以往的模型，这种方法更适用于各种数据集，只需要调整绘画时的最大笔画数即可实现。

尽管AI绘画领域取得了长足进步，但在未来的研究中，如何提高模型的创造性、改善图像质量、以及探索更多有趣且有价值的应用仍然是亟待讨论的问题。随着AI绘画技术的不断发展，其创造性和应用潜力也将得到更多的挖掘。

在探讨AI绘画的发展历程和挑战的基础上，我们可以看到这一领域近年来取得了令人瞩目的进展。未来，AI绘画技术将会持续发展，带来更多的惊喜。我们期待着这位新兴的“艺术家”能够为我们带来哪些新的成就。