AI在藝術(shù)界表現(xiàn)出越來(lái)越驚人的“天賦”

我們知道用AI來(lái)繪畫(huà)、寫(xiě)詩(shī)、作曲已經(jīng)不是新鮮事。但在藝術(shù)領(lǐng)域，AI在試圖模仿、甚至超越人類的過(guò)程中，始終存在一個(gè)難以逾越的瓶頸，就是人類與生而來(lái)的創(chuàng)造力。

這也是AI研發(fā)人員聚焦深度學(xué)習(xí)和強(qiáng)化學(xué)習(xí)著力攻克的難點(diǎn)之一。

近日，預(yù)印論文庫(kù)arXiv上發(fā)表了一項(xiàng)最新研究成果，論文中的AI畫(huà)家可以化身“心靈捕手”，通過(guò)對(duì)話式溝通感受人類的獨(dú)特品質(zhì)、個(gè)性和情緒，從而繪制具備內(nèi)在情感特征的人物肖像。

據(jù)了解，這位Empathic AI Painter，出自來(lái)自加拿大溫哥華西蒙弗雷澤大學(xué)（SFU）iViz實(shí)驗(yàn)室團(tuán)隊(duì)。此前，他們的AI畫(huà)家曾在國(guó)際神經(jīng)信息處理系統(tǒng)（NeurIPS）大會(huì)做了現(xiàn)場(chǎng)演示，吸引眾多用戶參與圍觀，還受到CTV國(guó)家新聞的專項(xiàng)報(bào)道。

那么這款“心靈捕手”AI畫(huà)家是如何進(jìn)行藝術(shù)創(chuàng)作的呢？

會(huì)聊天的AI畫(huà)家

據(jù)該團(tuán)隊(duì)介紹，AI畫(huà)家具備兩套創(chuàng)意系統(tǒng)，一是對(duì)話式語(yǔ)音交互系統(tǒng)，一是AI人像生成模型系統(tǒng)，他們均通過(guò)3D虛擬人像來(lái)呈現(xiàn)。

Empathic AI Painter

與傳統(tǒng)繪制畫(huà)像不同，它不是一種靜態(tài)的“眼觀”模式，而是采取對(duì)話聊天的形式，捕捉內(nèi)在情緒完成藝術(shù)創(chuàng)作。

該團(tuán)隊(duì)教授史蒂夫·迪帕拉（ DiPaola）表示，3D虛擬畫(huà)家的語(yǔ)音交互系統(tǒng)可以與用戶聊天，就某一事件采訪他們的感受，了解他們的性格，進(jìn)而通過(guò)AI人像生成模型，在繪畫(huà)過(guò)程中體現(xiàn)不同的情感特質(zhì)?？偟膩?lái)說(shuō)，AI畫(huà)家需要完成三項(xiàng)任務(wù)：

感知用戶語(yǔ)言和行為

基于以上信息，判定人物性格和情感特質(zhì)；

通過(guò)AI人像生成模型，在繪畫(huà)風(fēng)格、色彩、紋理上呈現(xiàn)不同的用戶特質(zhì)；

在ECA方面，3D虛擬人像融合了NLP自然語(yǔ)言處理模型，在交談中通過(guò)面部情感、語(yǔ)言壓力、語(yǔ)義，感知人類的情感和對(duì)話，并作出相應(yīng)的反饋。另外，其內(nèi)置的共情建模，還可以通過(guò)手勢(shì)、言語(yǔ)、表情，對(duì)用戶情緒作出感知性反應(yīng)。自然、真誠(chéng)的對(duì)話表現(xiàn)可以讓人類更真實(shí)的表現(xiàn)自己。

在個(gè)人特質(zhì)評(píng)估方面，研究人員采用了“五大人格模型”（FFM）。它是由科斯塔和麥克雷在20世紀(jì)80年代提出的，被廣泛用于人格分析。模型提出了神經(jīng)質(zhì)（N）、外傾性（E）、經(jīng)驗(yàn)開(kāi)放性（O）、宜人性（A）和認(rèn)真性（C）五大人格因素，并通過(guò)NEO人格調(diào)查表進(jìn)行測(cè)量。

在肖像渲染階段，利用mDD（（ModifiedDeep Dream）模型在16萬(wàn)張數(shù)據(jù)集上進(jìn)行深度訓(xùn)練，由ePainterly模塊完成的最終的風(fēng)格繪制。

17種不同類型的情感肖像

那么它的作畫(huà)效果如何呢？之前提到，AI畫(huà)家曾在NeurIPS 2019大會(huì)上做過(guò)現(xiàn)場(chǎng)展示，當(dāng)時(shí)有26位用戶參與，并完成的現(xiàn)場(chǎng)交互。實(shí)際上原、人格調(diào)查表有120多個(gè)問(wèn)題，大約需要45分鐘才能完成。

但這里研究人員僅使用了每個(gè)維度的一個(gè)問(wèn)題進(jìn)行了互動(dòng)，用時(shí)不足5分鐘。以下是圍繞“會(huì)議感受”主題下的互動(dòng)問(wèn)題：

最終結(jié)果顯示，84.72%的用戶語(yǔ)音被準(zhǔn)確識(shí)別，AI畫(huà)家完成呈現(xiàn)除了17中不同的個(gè)性類別，同時(shí)用戶也表示，該風(fēng)格表現(xiàn)出了其內(nèi)在的情感特征。（以下是部分作品）

目前這款3D虛擬畫(huà)家的繪畫(huà)作品以已在去全球展出，包括紐約市和惠特尼的現(xiàn)代藝術(shù)博物館（MoMA）。

DiPaola教授認(rèn)為，AI在激發(fā)藝術(shù)與高級(jí)計(jì)算機(jī)技術(shù)融合方面存在無(wú)限的潛力。他們所研發(fā)的AI系統(tǒng)只是藝術(shù)創(chuàng)新的第一步，之后他們還將在此系統(tǒng)上，探索基于詩(shī)歌、散文的藝術(shù)創(chuàng)作。

背后的技術(shù)原理

與傳統(tǒng)AI設(shè)計(jì)使用單一算法不同，DiPaola教授團(tuán)隊(duì)的AI系統(tǒng)融合多種不同的技術(shù)。我們先來(lái)看一下完成的AI系統(tǒng)的架構(gòu)組成，分為對(duì)話交互循環(huán)（Conversational Interaction Loop）和生成風(fēng)格化肖像（Generative Portrait stylization）兩大模塊組成，這兩個(gè)模塊之間由BIG-5人格模型鏈接，用于傳達(dá)個(gè)性化肖像的關(guān)鍵信息。

第一階段的對(duì)話交互循環(huán)功能是基于具有移情模塊的M-Path系統(tǒng)實(shí)現(xiàn)的。它可以呈現(xiàn)出3D虛擬人像的形式。在與人類的對(duì)話中，具備類似視頻會(huì)議的輸入輸出設(shè)置，能夠根據(jù)用戶的情感和語(yǔ)言屬性實(shí)時(shí)處理輸入，進(jìn)而產(chǎn)生言語(yǔ)或行為的移情輸出。具體來(lái)說(shuō)，M-Path系統(tǒng)的運(yùn)行是基于三個(gè)不同模塊控制：

感知模塊：用于采集和處理參與者信息。當(dāng)用戶講話時(shí)，此模塊通過(guò)麥克風(fēng)和攝像機(jī)收集音頻和視頻作為輸入信號(hào)。在視頻輸入源中，面部情感識(shí)別模塊采用的是OpenCV算法，用來(lái)識(shí)別不同面部表情所對(duì)應(yīng)的情緒類別。本次研究中將基本情緒分為6種，憤怒，厭惡，恐懼，喜悅，悲傷，驚奇和蔑視，這一分類是基于CK+數(shù)據(jù)集的深度學(xué)習(xí)訓(xùn)練而獲得。

另外，來(lái)自麥克風(fēng)的語(yǔ)音輸入首先會(huì)被傳送至文本模塊，進(jìn)行轉(zhuǎn)化轉(zhuǎn)換處理。該模塊采用的是Google的STT服務(wù)。

情緒分析組件使用從STT服務(wù)接收到的文本來(lái)評(píng)估文本的極性值（正-中性-負(fù)），然后通過(guò)SO-CAL情感分析器在NRC-Canada詞典上進(jìn)行了重新訓(xùn)練，最后將文本發(fā)送至決策組件生成對(duì)話響應(yīng)。整個(gè)處理過(guò)程會(huì)持續(xù)到對(duì)方發(fā)送語(yǔ)音結(jié)束為止。

行為控制器模塊：負(fù)責(zé)在對(duì)話循環(huán)中，生成同理心和具有目標(biāo)導(dǎo)向的語(yǔ)言/非語(yǔ)言響應(yīng)。 在收聽(tīng)階段，3D虛擬人像會(huì)產(chǎn)生相應(yīng)的情感匹配和反向傳播行為。情感匹配是通過(guò)移情機(jī)制對(duì)用戶面部表情的選擇而實(shí)現(xiàn)的。而在交談中通過(guò)檢測(cè)到暫停觸發(fā)的點(diǎn)頭行為來(lái)創(chuàng)建反向傳播，這兩種行為的集合，最終生成了獲取情感的聆聽(tīng)行為。

當(dāng)對(duì)話結(jié)束后，從STT引擎接收到的文本信息會(huì)與用戶的總體情感一起傳遞至對(duì)話管理器（Dialogue Manager），并最終發(fā)送到移情機(jī)制（e Empathy Mechanisms）組件。 DM的目標(biāo)是完成Big-5人格問(wèn)卷識(shí)別的個(gè)性類別。 EM的目標(biāo)生成對(duì)應(yīng)類別的情感響應(yīng)。

行為管理模塊：用于創(chuàng)建自然的對(duì)話行為。M-Path在對(duì)話的所有狀態(tài)下連續(xù)生成非語(yǔ)言或非語(yǔ)言行為，如面部表情，身體姿勢(shì)、手勢(shì)及嘴唇移動(dòng)會(huì)與語(yǔ)音輸出同步完成，并作為行為標(biāo)記語(yǔ)言（Behavior Markup Language）消息發(fā)送到Smartbody角色動(dòng)畫(huà)平臺(tái)以顯示生成的行為。

第二階段生成風(fēng)格化肖像，這部分的處理分為三個(gè)步驟。首先主要是運(yùn)用AI工具對(duì)人像進(jìn)行預(yù)處理，包括圖像背景分割，調(diào)整人像的光和色彩的平衡。

然后將預(yù)處理的圖像輸入至mDD系統(tǒng)模型進(jìn)行深度訓(xùn)練，這里借用的是Google的Deep Dream模型，基于本次研究特性進(jìn)行了部分調(diào)整，因此在這里成為mDD（ModifiedDeep Dream）。它所使用的數(shù)據(jù)集收集了來(lái)自3000位藝術(shù)家的160，000張帶有標(biāo)簽和分類的畫(huà)作，總大小為67 GB。

最后，ePainterly系統(tǒng)結(jié)合Deep Style來(lái)處理人像表面紋理以及非真實(shí)感的渲染（NPR）技術(shù)，例如粒子系統(tǒng)，調(diào)色板操縱和筆觸引擎技術(shù)。這個(gè)不斷迭代的過(guò)程將完成最終的肖像風(fēng)格。其中ePainterly模塊是講點(diǎn)繪畫(huà)系統(tǒng)Painterly的擴(kuò)展。

這部分NPR渲染在很大程度上減少了mDD輸出圖像時(shí)產(chǎn)生的噪聲偽影。以下是各個(gè)階段的效果圖：

雖然AI畫(huà)家在捕捉人類情感，繪制風(fēng)格化肖像方面表現(xiàn)非常出色，但該研究團(tuán)隊(duì)認(rèn)為它還有很大的擴(kuò)展空間，并表示從情感評(píng)估模型、用戶個(gè)性分析和互動(dòng)場(chǎng)景三個(gè)方面對(duì)其進(jìn)行優(yōu)化。