AesPA-Net: Aesthetic Pattern-Aware Style Transfer Networks
Yonsei University(延世大学);SwatchOn;NAVER WEBTOON AI;KAIST AI(韩国科学技术院AI)
本文提出AesPA-Net,通过模式重复性度量、自监督语义对应学习和逐块风格损失,解决风格迁移中局部块重复滥用导致的伪影问题,实现更和谐的艺术风格表达。
2023-08-08 cs.CV
Learning Aesthetic Layouts via Visual Guidance
University of Maryland, Baltimore County(马里兰大学巴尔的摩县分校);ProjectHAT
我们探索视觉指导的计算方法,以帮助创造美观的艺术和平面设计。我们的工作补充并建立在以前的工作上,这些工作开发了人类如何看待图像的模型。我们的方法包括三个步骤。首先,我们收集了一个艺术杰作的数据集,并用最先进的视觉模型标记视觉注视。其次,我们用无监督学习对艺术杰作的视觉引导模板进行聚类。第三,我们开发了一个管道,使用生成对抗网络来学习视觉指导的原理,并可以产生美观的布局。我们表明,审美的视觉指导原则可以学习和集成到一个高维模型,可以查询的图形元素的功能。我们通过在各种图纸和平面设计上生成布局来评估我们的方法。此外,我们的模型在生成布局时考虑了图形元素的颜色和结构。因此,我们相信我们的工具,它可以在几秒钟内生成多种美学布局选项,可以帮助艺术家创建美丽的艺术和平面设计。
2021-07-13 cs.CV cs.GR cs.MM
Yuan: Yielding Unblemished Aesthetics Through A Unified Network for Visual Imperfections Removal in Generated Images
针对AI生成图像存在的视觉缺陷问题,提出自主修正框架Yuan,以文本提示和分割图像为条件自动生成精确掩码并修复缺陷,实验证明其在多数据集上的定量与定性表现优越,可提升AI生成图像质量和适用性。
2025-01-15 cs.CV eess.IV
VMix: Improving Text-to-Image Diffusion Model with Cross-Attention Mixing Control
ByteDance Inc(字节跳动公司);University of Science and Technology of China(中国科学技术大学)
本文提出即插即用的美学适配器VMix,通过将文本提示解耦为内容与美学描述,并利用值混合交叉注意力注入美学条件,在不重新训练的情况下提升扩散模型生成图像的美学质量,实验表明其优于现有方法并兼容LoRA、ControlNet等社区模块。
2024-12-30 cs.CV
3D Structure-guided Network for Tooth Alignment in 2D Photograph
本文提出一种3D结构引导网络,利用临床三维口扫模型学习正畸映射,通过扩散模型在二维照片中生成排列整齐且纹理逼真的牙齿图像,用于辅助医患沟通和促进患者接受正畸治疗。
2024-08-08 cs.CV
Toward Deeper Understanding of Neural Networks: The Power of Initialization and a Dual View on Expressivity
Google(谷歌)
我们开发了神经网络和组合内核之间的一般二元性,努力更好地理解深度学习。我们表明,初始表示所产生的共同随机初始化是足够丰富的,以表达所有功能的对偶核空间。因此,尽管训练目标在最坏的情况下很难优化,但初始权重是优化的良好起点。我们的双重观点也揭示了神经网络的实用和美学观点,并强调了它们的表达能力。
2017-05-19 cs.AI cs.CC cs.DS
AuraLuxMuse: Adaptive Fusion Modeling for Aesthetic Stage Lighting Design with Music and Expert Guidance
Fudan University(复旦大学);Shanghai Theatre Academy(上海戏剧学院);Nanjing University of the Arts(南京艺术学院)
AuraLuxMuse是集成专家知识、表征学习与偏好自适应建模的自动化舞台灯光设计系统,含LAMP与PAMoE模块,依托Musilux数据集,可生成具艺术表现力的可编辑灯光cue,助力AI辅助美学舞台设计。
2026-10-09 cs.AI cs.MM
Comixify: Transform video into a comics
Warsaw University of Technology(华沙理工大学)
在本文中,我们提出了一个解决方案,将视频转换为漫画。我们使用基于生成对抗网络(GANs)的神经风格算法来完成这项任务。最近在神经风格转移领域的几项研究表明,以另一幅图像的风格制作一幅图像是可行的。在本文中,我们在这些工作的基础上,通过视频混合的工作应用程序扩展了现有的一组风格转换用例。为此,我们训练了一个端到端的解决方案,该解决方案将输入视频转换为两个阶段的漫画。在第一阶段,我们提出了一种最先进的关键帧提取算法,该算法从视频中选择帧的子集,以提供最全面的视频上下文,并使用图像美学估计引擎过滤这些帧。在第二阶段,选定的关键帧的风格被转换成漫画。为了提供最美观的结果,我们选择了最先进的风格传输解决方案,并在此基础上实现了我们自己的ComixGAN框架。我们工作的最后一个贡献是一个基于Web的视频comixification的工作应用程序,可在http://comixify.ii.pw.edu.pl上获得。
2018-12-09 cs.CV
Using an AI creativity system to explore how aesthetic experiences are processed along the brains perceptual neural pathways
Simon Fraser University(西蒙菲莎大学)
随着人工智能技术的日益成熟,这些系统的应用已经扩展到越来越多的领域。这些系统越来越多地用于人类美学和创造力的建模,例如人类如何创造艺术品和设计产品。我们的实验室已经开发了一个这样的人工智能创造力深度学习系统,可用于创建图像和视频形式的艺术品。在本文中,我们描述了这一系统及其在研究人类视觉系统和审美经验的形成中的应用。具体来说,我们展示了基于时间的人工智能创建的媒体如何用于探索人类视觉系统的双通路神经架构的本质,以及这与依赖于这些不同信息流的更高认知判断(如美学体验)的关系。我们提出了一个理论框架内的感知,如视频剪辑的运动,导致参与的反射性注意和随后的重点主要是通过背流处理的视觉信息,从而调节审美经验,依赖于通过腹流传递的信息。我们概述了我们最近的研究,以支持我们提出的框架,这是第一个研究,调查两个视觉流和审美体验之间的关系。
2019-09-15 cs.AI cs.CV q-bio.NC
Deep learning for music generation. Four approaches and their comparative evaluation
Faculty of Automatics and Computer Science, University POLITEHNICA of Bucharest(布加勒斯特理工大学自动控制与计算机科学学院);Romanian Academy Research Institute for Artificial Intelligence(罗马尼亚科学院人工智能研究所);Academy of Romanian Scientists(罗马尼亚科学院)
本文提出四种基于深度学习的音乐生成方法,通过比较分析生成旋律的美学质量与应用适用性,发现GPT3生成的旋律最悦耳,新引入的Schillinger方法优于以往声化方法。
2025-04-03 cs.AI cs.SD eess.AS
Restyling Images with the Bangladeshi Paintings Using Neural Style Transfer: A Comprehensive Experiment, Evaluation, and Human Perspective
Shahjalal University of Science and Technology(沙赫贾拉尔科技大学)
在当今世界,神经风格转移(NST)已成为一个趋势术语。NST将两张图片,一张内容图片和一张风格上的参考图片(如著名画家的作品)组合在一起,使输出图像看起来像材料的图像,但以参考图片的形式呈现。然而,没有研究使用孟加拉国画家的艺术品或绘画。孟加拉国绘画有着两千多年的悠久历史,至今仍被孟加拉国画家所实践。本研究在孟加拉国绘画中生成了NST风格化的图像,并分析了人类对NST在孟加拉国绘画中的审美偏好的观点。为了确保我们的研究被接受,我们对60名不同年龄和性别的个体对生成的程式化图像进行了定性的人类评估。我们已经解释了NST如何适用于孟加拉国的绘画,并定性\定量地评估NST算法。我们的研究作为一个先决条件的NST风格化的图像使用孟加拉国的绘画对移动UI/GUI和材料翻译的影响,从人类的角度来看。我们希望这项研究将鼓励新的合作,创造更多的NST相关的研究和扩大孟加拉国艺术品的使用。
2020-12-10 cs.AI cs.CV
Towards Unsupervised Deep Image Enhancement with Generative Adversarial Network
City University of Hong Kong(香港城市大学);Meituan-Dianping Group(美团点评集团);City University of Hong Kong Shenzhen Research Institute(香港城市大学深圳研究院)
提高图像的审美质量是具有挑战性的,也是公众渴望的。为了解决这个问题,大多数现有的算法是基于监督学习方法来学习配对数据的自动照片增强器,该配对数据由低质量照片和相应的专家修饰版本组成。然而,专家修饰的照片的风格和特征可能不符合一般用户的需求或偏好。在本文中,我们提出了一种无监督的图像增强生成对抗网络(UEGAN),它以无监督的方式从一组具有所需特征的图像中学习相应的图像到图像的映射,而不是在大量的成对图像上学习。该模型基于单一的深度GAN,嵌入了调制和注意力机制,以捕获更丰富的全局和局部特征。基于所提出的模型,我们引入了两个损失来处理无监督图像增强:(1)保真度损失,其被定义为在预训练的VGG网络的特征域中的L2正则化,以确保增强图像和输入图像之间的内容相同,以及(2)质量损失,其被公式化为相对论铰链对抗损失,以赋予输入图像期望的特性。定量和定性的实验结果表明,该模型有效地提高了图像的美学质量。我们的代码可在https://github.com/eezkni/UEGAN上获得。
2020-12-30 cs.CV
A Framework and Dataset for Abstract Art Generation via CalligraphyGAN
Tongji University(同济大学);University of Delaware(特拉华大学)
随着深度学习的进步,人工智能(AI)近年来取得了许多突破,并在目标检测、阅读理解和视频游戏等各种任务中取得了超人的表现。生成建模,例如各种生成对抗网络(GAN)模型,已经被应用于生成绘画和音乐。自BERT和最近发布的GPT3等预训练的上下文神经语言模型发布以来,自然语言处理(NLP)的研究在2018年也取得了飞跃。尽管前面提到的人工智能应用令人兴奋,但人工智能在创造力方面仍然远远落后于人类,这通常被认为是人工智能的终极登月。我们的作品灵感来自中国书法,这是一种独特的视觉艺术形式,人物本身就是一幅美学画作。我们还从20世纪40年代和50年代的抽象表现主义运动的绘画中汲取灵感,例如美国画家Franz Kline的作品。本文提出了一种基于条件生成对抗网络和上下文神经语言模型的创造性框架,以生成具有内在意义和美学价值的抽象艺术作品,这不同于现有的工作,如图像描述和文本到图像的生成,其中文本是图像的描述。此外,我们已经公开发布了一个中国书法图像数据集,并使用原型系统和用户研究来展示我们的框架。
2020-12-02 cs.CV
Style Transfer: From Stitching to Neural Networks
University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校);Washington University in St. Louis(圣路易斯华盛顿大学);Georgia Institute of Technology(佐治亚理工学院);Carnegie Mellon University(卡内基梅隆大学);Cornell University(康奈尔大学)
本文比较了传统拼接方法和基于机器学习的风格迁移方法,后者通过分割网络隔离前景并仅对背景进行风格迁移,能更好地保持前景细节,更适合实际应用。
2024-11-12 cs.CV
ZIPP:Zero-shot Image Personalization from Personas
Adobe Media and Data Science Research (MDSR)(Adobe媒体与数据科学研究(MDSR));IIIT-Delhi(德里印度理工学院);SUNY at Buffalo(纽约州立大学布法罗分校)
提出ZIPP方法,利用自然语言人物画像通过LLM改写提示词实现零样本图像个性化生成,无需用户数据或微调;引入ZIPBench基准,在多个评测中取得13-20%的提升。
2026-06-07 cs.AI cs.CV
Photo Rater: Photographs Auto-Selector with Deep Learning
Photo Rater 是一个利用三个神经网络(质量评估、模糊检测、美学评估)自动筛选同场景最佳照片的计算机视觉项目,旨在减轻摄影师手动筛选的负担。
2023-10-16 cs.AI cs.CV cs.LG
GANalyze: Toward Visual Definitions of Cognitive Image Properties
MIT(麻省理工学院);KU Leuven(鲁汶大学)
我们引入了一个框架,该框架使用生成对抗网络(GANs)来研究认知特性,如记忆力,美学和情感效价。这些属性很有趣,因为我们没有一个具体的视觉定义。一只狗看起来是什么样的,或多或少令人难忘?GANs使我们能够生成多种外观自然的图像,其视觉属性具有细粒度差异。通过在增加记忆力的方向上导航这个流形,我们可以可视化特定生成的图像变得或多或少令人难忘的样子。由此产生的"视觉定义”表面图像属性(如"对象大小”)可能是可记忆性的基础。通过行为实验,我们验证了我们的方法确实发现了因果关系影响人类记忆性能的图像操作。我们进一步证明,同样的框架可以用来分析图像美学和情感效价。访问GANalyze网站http://ganalyze.csail.mit.edu/。
2019-06-24 cs.CV
Neural Abstract Style Transfer for Chinese Traditional Painting
Alibaba Group(阿里巴巴集团);Salesforce Research(赛富时研究院);NC State University(北卡罗来纳州立大学);Beijing University of Posts and Telecommunications(北京邮电大学);Beijing Winsense Technology Co. Ltd(北京文因互联科技有限公司)
中国画是世界上最古老的艺术品之一。它在东亚和东南亚非常受欢迎,因为它具有美学吸引力。与西方艺术绘画相比,它通常在视觉上更加抽象和无纹理。近年来,基于神经网络的风格转换方法在西方绘画中取得了可喜的成果。在神经风格迁移中保持抽象性仍然是一个具有挑战性的问题。在本文中,我们提出了一种神经抽象风格转移方法,为中国传统绘画。它通过一个新的MXDoG引导的过滤器(扩展高斯差分的修改版本)和三个完全可微的损失项来学习端到端联合保留抽象和其他风格。据我们所知,关于中国传统绘画神经风格迁移的研究工作还很少。为了促进这一方向的研究,我们收集了一个新的数据集与不同的照片逼真的图像和中国传统绘画。在实验中,该方法在中国传统绘画风格的转换上表现出比现有的神经风格转换方法更吸引人的风格化效果。
2018-12-13 cs.CV
Depth-aware Neural Style Transfer using Instance Normalization
The University of Sheffield(谢菲尔德大学)
神经风格迁移(NST)涉及视觉媒体的艺术风格化。它可以被描述为将艺术图像的风格转移到普通照片上的过程。最近,许多研究已经考虑了NST算法的深度保持能力的增强,以解决当输入内容图像包括各种深度的许多对象时发生的不期望的效果。我们的方法使用具有实例归一化层的深度残差卷积网络,该网络利用高级深度预测网络将深度保留作为内容和风格的附加损失函数进行集成。我们展示了有效保留内容图像的深度和全局结构的结果。三个不同的评估过程表明,我们的系统是能够保留的风格化的结果的结构,同时表现出风格捕捉能力和美学品质相媲美或优于国家的最先进的方法。项目页面:https://ioannoue.github.io/depth-aware-nst-using-in.html。
2022-09-23 cs.CV cs.NE
Wallpaper Texture Generation and Style Transfer Based on Multi-label Semantics
Ocean University of China(中国海洋大学);University of Leicester(莱斯特大学)
纹理包含着丰富的图像信息,在计算机图形学、计算机视觉等各个领域都有着广泛的应用。随着机器学习的发展,纹理合成和生成技术得到了很大的提高。作为日常生活中非常常见的元素,壁纸包含了丰富的纹理信息,很难用简单的单一标签进行标注。此外,壁纸设计师花费大量时间来创建不同风格的壁纸。为此,本文提出用多标签语义来描述壁纸纹理图像。基于这些标签和生成对抗网络,我们提出了一个框架,感知驱动的壁纸纹理生成和风格转移。在这个框架中,感知模型被训练来识别由生成器网络产生的壁纸是否足够真实,并且具有给定感知描述指定的属性;这些多标签语义属性被视为条件变量来生成壁纸图像。生成的壁纸图像可以使用CycleGAN转换为具有知名艺术家风格的壁纸图像。最后,使用美学评价方法,生成的壁纸图像进行定量测量。实验结果表明,该方法能够生成符合人类审美的壁纸纹理,具有艺术特色。
2021-06-22 cs.CV
Considering user agreement in learning to predict the aesthetic quality
University of Nantes(南特大学);Tencent(腾讯)
如何对给定图像的美学质量进行鲁棒排序一直是一个长期存在的不适定问题。这种挑战主要源于不同观察者对不同类型内容的不同主观意见。有越来越多的兴趣,估计用户的协议,考虑标准偏差的分数,而不是只预测平均审美意见得分。然而,当比较一对内容时,很少有研究考虑我们对美学分数的差异有多大信心。因此,在本文中,我们提出了(1)一个重新调整的多任务注意力网络,以端到端的方式预测平均意见得分和标准差;(2)一个全新的置信区间排名损失,鼓励模型关注那些不太确定其美学得分差异的图像对。有了这样的损失,模型被鼓励学习与观察者意见的多样性相关的内容的不确定性,即,用户不同意。大量的实验表明,所提出的多任务美学模型在两种不同类型的美学数据集上实现了最先进的性能,即,AVA和TMGA。
2021-10-13 cs.AI cs.CV
End-to-End Diffusion Latent Optimization Improves Classifier Guidance
Salesforce Research(赛富时研究院);Stanford University(斯坦福大学)
本文提出DOODL方法,通过直接优化扩散潜在并利用可逆扩散过程实现内存高效反向传播,解决了传统分类器引导中梯度错位问题,在多种引导任务上优于一步分类器引导。
2023-05-31 cs.AI cs.CV cs.LG
Collaborative Interactive Evolution of Art in the Latent Space of Deep Generative Models
Vrije Universiteit Amsterdam(阿姆斯特丹自由大学)
本文提出在创造性对抗网络的潜在空间中利用演化算法导航生成艺术图像,并结合协同人类反馈与智能变异算子提升图像质量,实验证明该方法能生成更具吸引力的艺术图像。
2024-03-28 cs.AI cs.CV cs.HC
Neural Scene Decoration from a Single Photograph
Hong Kong University of Science and Technology(香港科技大学);VinAI Research(VinAI研究院);Deakin University(迪肯大学)
装饰和渲染室内场景一直是室内设计的一项长期任务,艺术家为空间创建概念设计,构建空间的3D模型,装饰,然后执行渲染。虽然这项工作很重要,但它是乏味的,需要付出巨大的努力。在本文中,我们介绍了一个新的问题,特定领域的室内场景图像合成,即神经场景装饰。给定一个空的室内空间的照片和一个由用户确定布局的装饰列表,我们的目标是合成一个新的图像的相同的空间与所需的家具和装饰。神经场景装饰可以应用于以简单而有效的方式创建概念室内设计。我们尝试这个研究问题是一个新的场景生成架构,将一个空的场景和对象布局到一个现实的家具场景照片。我们证明了我们所提出的方法的性能,通过比较它与条件图像合成基线建立在流行的图像翻译方法定性和定量。我们进行了大量的实验,以进一步验证我们生成的场景的可扩展性和美学。我们的实现可在\url{https://github.com/hkust-vgd/neural_scene_decoration}上获得。
2022-07-25 cs.CV cs.GR
SynergyNet: Fusing Generative Priors and State-Space Models for Facial Beauty Prediction
Scientific and Technical Research Centre for Arid Areas, CRSTRA(干旱地区科学技术研究中心,CRSTRA)
针对现有模型在面部 beauty 预测中局部与全局特征处理的权衡问题,提出MD-Net双流架构,融合扩散模型生成先验与Mamba状态空间模型,在SCUT-FBP5500上实现0.9235的皮尔逊相关系数,提升预测性能。
2025-09-21 cs.CV
Automated Deep Photo Style Transfer
Department of Computer Science, University of Tübingen(图宾根大学计算机科学系)
照相现实主义是一个复杂的概念,不能很容易地用数学公式来表达。深度照片风格转移是一种尝试,将参考图像的风格转移到内容图像,同时保留其照片真实感。这是通过引入一个约束,防止在内容图像中的失真,并通过应用独立的图像的语义不同的部分的风格转移。此外,提出了一种自动分割过程,该过程由基于神经网络的分割方法和随后的语义分组步骤组成。为了进一步改善结果的图像美学措施的使用和阐述。如果内容和样式图像足够相似,则结果图像看起来非常逼真。随着图像分割的自动化,流水线变得完全独立于任何用户交互,这允许新的应用程序。
2019-01-12 cs.CV
Composing Music with Grammar Argumented Neural Networks and Note-Level Encoding
Sun Yat-sen University(中山大学);China University of Political Science and Law(中国政法大学);Institute of High Performance Computing(高性能计算研究所)
创造包括音乐在内的具有美感的艺术作品一直是人工智能研究的长期目标。尽管最近长短期记忆(LSTM)循环神经网络(RNN)在顺序学习中取得了成功,但LSTM神经网络本身还无法生成符合音乐理论的听起来自然的音乐。为了克服这一不足,我们提出了一种新的音乐创作方法,将LSTM与音乐理论激发的语法相结合。音乐理论的主要原则被编码为训练数据上的语法论证(GA)过滤器,使得机器可以被训练为生成音乐,该音乐继承来自原始数据集的人类创作作品的自然性,同时遵守音乐理论的规则。与以前的方法不同,音高和音长被编码为一个语义实体,我们称之为音符级编码。这允许轻松实现音乐理论语法,以及更接近模拟音乐家的思维模式。虽然GA规则应用于训练数据,但从未直接应用于LSTM音乐生成,但我们的机器仍然根据音乐理论创作出具有高自然音阶音符、小音高间隔和和弦发生率的音乐。
2016-12-07 cs.AI cs.LG cs.SD
NICER: Aesthetic Image Enhancement with Humans in the Loop
University of Würzburg(维尔茨堡大学)
全自动或半自动图像增强软件可以帮助用户增加照片的视觉吸引力,并且不需要深入了解手动图像编辑。然而,全自动方法通常以黑盒的方式增强图像,这不给予用户对优化过程的任何控制,可能导致编辑后的图像主观上不吸引用户。半自动方法主要允许控制采取哪个预定义的编辑步骤,这限制了用户的创造力和进行详细调整的能力,例如亮度或对比度。我们认为,将用户的喜好,通过指导一个自动化的增强方法简化了图像编辑,并增加了增强的重点放在用户。因此,这项工作提出了神经图像校正和增强例程(NICER),一个神经网络为基础的方法,在一个完全,半自动或完全手动的过程中,是互动的,以用户为中心的无参考图像增强。NICER迭代地调整图像编辑参数,以便基于图像风格和内容最大化美学分数。用户可以随时修改这些参数,并将优化过程引导到所需的方向。这种交互式工作流程在用于图像增强任务的人机交互领域中是新颖的。在一项用户研究中,我们表明,NICER可以改善图像美学,而无需用户交互,并且允许用户交互会导致各种增强结果,这些结果比未经编辑的图像更受欢迎。我们公开我们的代码,以促进在这个方向上的进一步研究。
2020-12-03 cs.AI cs.CV cs.HC
Human Aesthetic Preference-Based Large Text-to-Image Model Personalization: Kandinsky Generation as an Example
Hong Kong University of Science and Technology (Guangzhou)(香港科技大学(广州))
本文提出一种免提示的生成方法,通过语义注入定制艺术家模型,并利用遗传算法结合人类实时反馈,实现基于用户审美偏好的个性化绘画内容生成。
2024-02-09 cs.AI cs.HC cs.MM
Neural Style Representations and the Large-Scale Classification of Artistic Style
University of New Hampshire(新罕布什尔大学)
绘画的艺术风格是艺术史学家对艺术作品进行分组和分类的微妙的审美判断。最近引入的“神经风格”算法在将一幅图像或一组图像的感知艺术风格与另一幅图像的感知内容相融合方面取得了实质性成功。鉴于这一点和其他最近的发展,图像分析通过卷积神经网络,我们调查的有效性“神经风格”的表示分类的艺术风格的绘画。
2016-11-16 cs.AI cs.CV cs.IR
The Digital Synaptic Neural Substrate: Size and Quality Matters
Universiti Tenaga Nasional(国家能源大学)
我们调查的“数字突触神经基板”(DSNS)的计算创造力的方法进一步相对于可用于种子的过程中的图像的大小和质量。在以前的工作中,我们展示了如何结合照片的人和序列采取的国际象棋比赛之间的弱球员可以用来生成国际象棋的问题或难题的更高的美学质量,平均而言,相比替代方法。在这项工作中,我们通过实验表明,使用较大的图像,而不是较小的,进一步提高了输出质量。使用更清晰或更少损坏的图像也是如此。这些因素影响DSNS过程的原因目前还没有得到很好的理解和争论,但这些发现仍然可以立即应用于获得更好的结果。
2016-09-20 cs.AI
AI-Gram: When Visual Agents Interact in a Social Network
Faculty of Science and Technology(科学与技术学部)
AI-Gram是一个自主运行的社交平台,研究AI在大规模社交动态中的行为,通过视觉代理生成和回应视觉内容,揭示三阶段动态:视觉回复链、审美主权和审美复调。
2026-05-02 cs.AI cs.CL cs.MA