Artistic Practice Opportunities in CST Evaluations: A Longitudinal Group Deployment of ArtKrit
Claremont McKenna College(克莱蒙特麦肯纳学院);Columbia University(哥伦比亚大学);Pomona College(波莫纳学院);Stanford University(斯坦福大学)
本文通过ArtKrit的三周部署,探讨了CST评估中艺术实践的动态变化,揭示了工具使用与艺术感知的演变过程,强调了艺术支持网络对创作安全与表达的重要性。
2026-04-29 cs.HC
"Confrontation or Acceptance": Understanding Novice Visual Artists' Perception towards AI-assisted Art Creation
本研究通过访谈20名新手视觉艺术家,揭示其对G-AI的误解、采纳演变及对抗与协作并存的关系,并为HCI研究提出方向。
2024-10-19 cs.HC
Technologies and Workflow of Creative Coding Projects: Examples from the Google DevArt Competition
最近,许多艺术家和创造性技术人员创造计算机编程作为一个目标,创造一些表达性的东西,而不是功能性的东西。本文分析了Google DevArt竞赛中的18个创意编码项目,总结了这些创意编码项目的关键技术、内容类型和关键工作流程。本文还讨论了创造性编码和艺术技术的潜在研究机会。
2020-05-15 cs.HC
ORIBA: Exploring LLM-Driven Role-Play Chatbot as a Creativity Support Tool for Original Character Artists
Computer Science Research Centre, Royal College of Art(皇家艺术学院计算机科学研究中心);Digital Media, School of Literature, Media, and Communication, Georgia Institute of Technology(佐治亚理工学院数字媒体系);Princeton University(普林斯顿大学);Digital Media, Georgia Institute of Technology(佐治亚理工学院数字媒体系);Division of Integrative Systems and Design, The Hong Kong University of Science and Technology(香港科学大学整合系统与设计 division);Industrial Design Department, College of Engineering, KAIST(韩国科学技术院工程学院工业设计系)
ORIBA通过大语言模型支持原创角色艺术家的创意过程,平衡AI辅助与创意自主权。
2025-12-14 cs.AI cs.HC
Directing Space: Rehearsing Architecture as Performer with Explainable AI
University of Nottingham(诺丁汉大学)
本文提出了一种基于可解释AI的系统,使建筑在排练中作为表演者与艺术家协作,通过实时环境适应和戏剧原则设计提升互动体验。
2026-02-06 cs.HC
Adversarial Robots as Creative Collaborators
The New School(新学院);Cornell Tech(康奈尔科技学院)
本研究探讨对抗性机器人能否促使艺术家重新思考初始想法,通过设计机器人绘图桌UnsTable干扰绘画过程,并邀请进一步研究此类挑战性机器人。
2024-02-06 cs.HC cs.RO
Spellburst: A Node-based Interface for Exploratory Creative Coding with Natural Language Prompts
Replit(Replit公司);Stanford University(斯坦福大学)
Spellburst是一个由大语言模型驱动的创意编程环境,通过节点式界面、语义提示交互和语义-语法无缝切换,帮助艺术家更高效地进行生成艺术的探索式创作。
2023-08-07 cs.HC cs.LG cs.SE
Copying style, Extracting value: Illustrators' Perception of AI Style Transfer and its Impact on Creative Labor
本研究通过为四位插画师提供风格微调模型并进行半结构化访谈,探讨他们对AI风格迁移的看法,发现其虽能复制美学片段但缺乏涌现特质,并指出风格迁移应被视为供应链优化工具而非仅创意支持工具。
2025-01-30 cs.HC
Mosaic: Designing Online Creative Communities for Sharing Works-in-Progress
在线创意社区允许创作者与大量观众分享他们的作品,最大限度地展示他们的作品并与粉丝和同行联系。然而,在为共享已完成作品而设计的环境中,共享正在进行的工作在技术上和社会上都具有挑战性。我们提出了一个在线创意社区,分享过程,而不是展示成果,是分享创造性工作的主要方法。在此基础上,我们提出马赛克-一个在线社区,插画家分享工作在进行中的快照,显示如何从开始到结束的艺术品完成。在一项在线部署和观察性研究中,艺术家们将马赛克作为一种工具,来反思他们如何改善自己的创作过程,开发了一种详细反馈的社会规范,并且对分享早期版本的艺术作品变得不那么担心。通过Mosaic,我们认为,以分享创造性过程为导向的社区可以创造一个有利于创造性成长的协作环境。
2016-11-08 cs.HC
Exploring Opportunities to Support Novice Visual Artists' Inspiration and Ideation with Generative AI
Carnegie Mellon University(卡内基梅隆大学);University of Southern California(南加州大学);Johns Hopkins University(约翰斯·霍普金斯大学);Stanford University(斯坦福大学);Massachussetts Insitute of Technology(麻省理工学院)
研究通过访谈与共同设计工作坊识别新手视觉艺术家在创作早期的需求,并构建六个交互式原型,提出以艺术家需求为中心的生成式 AI 支持愿景。
2025-09-30 cs.HC
How Creatives Approach GenAI Image Generation: Tensions Between Structured Guidance, Self-Experimentation, and Creative Autonomy
Simon Fraser University(西蒙菲莎大学)
研究探讨创意人士在使用生成式AI图像工具时如何平衡结构化指导与自我实验,发现尽管指导有助于理解AI,但许多人仍倾向于自我探索以保持创意自由。
2026-06-19 cs.HC
What We Can Learn From Visual Artists About Software Development
本文通过研究艺术家如何使用和开发软件来探讨软件在视觉艺术创作中的作用。我们采访了与软件开发人员合作、学习软件开发以及构建和维护软件的专业艺术家。我们发现艺术家们有动力学习软件开发,以促进智力增长和进入技术社区。艺术家们重视通过熟练的手工执行和个人软件开发来实现高效的工作流程,但避免了高级形式的软件自动化。艺术家们发现了他们的优先事项与专业开发人员和计算艺术社区之间的冲突,这影响了他们在工作中使用计算美学的方式。这些发现有助于系统工程研究的努力,以整合最终用户编程和跨软件和物理媒体的创造力支持,为艺术家提供合作机会。艺术家编写软件的经验可以指导特定领域表示的技术实现,他们在跨学科生产方面的经验可以帮助围绕计算工具建立包容性社区。
2021-01-27 cs.HC
Evolution & Foundation: AI Shares Creative Control
Google DeepMind(谷歌DeepMind);London Geometry Ltd.(伦敦几何有限公司);School of Computing at Goldsmiths, University of London(伦敦大学金史密斯学院计算系)
提出一种结合遗传算法与多模态AI基础模型的框架,实现自动化设计3D有机形态,将艺术家角色从直接选择转变为系统设计,加速创意探索。
2026-06-18 cs.GR cs.HC cs.NE
A Guided Tour Study of the Untidy But Inspirational PIM of Visual Artists
本研究通过引导式调研和访谈考察6位视觉艺术家的PIM实践与挑战,发现其独特实践及共性难题,并为相关群体和机构提出具体建议。
2023-06-09 cs.HC
Expertise elevates AI usage: experimental evidence comparing laypeople and professional artists
Center for Humans and Machines, Max Planck Institute for Human Development(人类与机器中心,马克斯·普朗克人类发展研究所);Tallinn University(塔林大学);Estonian Business School(爱沙尼亚商学院);Academy of Media Arts Cologne(科隆媒体艺术学院)
通过实验比较50位专业艺术家和普通人使用生成式AI进行图像复制和创意生成的表现,发现艺术家的专业技能迁移到AI使用中,在复制准确性和发散思维上均优于普通人,而GPT-4o在创意任务上平均略优于艺术家但未超越最佳人类。
2025-12-04 cs.AI cs.CY cs.HC
AIxArtist: A First-Person Tale of Interacting with Artificial Intelligence to Escape Creative Block
Kingston University London(伦敦金斯顿大学)
本研究以第一人称视角记录人机交互研究者借助ChatGPT、Midjourney等AI工具摆脱创作瓶颈的过程,探讨AI对艺术家创造力的支持方式及该场景下的AI可解释性问题,提出归属透明度等需XAIxArts社区进一步探索的方向。
2023-08-22 cs.AI cs.HC
Inspire creativity with ORIBA: Transform Artists' Original Characters into Chatbots through Large Language Model
Royal College of Art(皇家艺术学院);Georgia Institute of Technology(佐治亚理工学院);Hong Kong University of Science and Technology(香港科技大学)
本研究聚焦插画艺术与AI的交叉领域,推出可定制AI聊天机器人ORIBA,支持插画师与自己的原创角色对话并观察其内心独白,探索创新协作模式以优化创意领域人机交互,应用可拓展至互动叙事等场景。
2023-06-16 cs.AI cs.HC cs.MM
Artly: Exploring Digital Artists' Perceptions of AI-Generated Feedback
LMU Munich(慕尼黑大学);TU Munich(慕尼黑工业大学);Munich Center for Machine Learning (MCML)(慕尼黑机器学习中心)
本研究开发了结合个性化AI反馈与人类学习资源的Artly系统,通过被试间对比实验发现该系统受艺术家认可,能支持艺术成长,使用图像生成功能的用户创造力感知更强但新想法产出略低。
2026-08-18 cs.HC
A Multi-Level Visual Analytics Approach to Artist-Era Alignment in Popular Music
Seoul National University(首尔大学)
本文提出多级可视化分析框架,通过艺术家时代与时代基准的对比,从相似性和对比度两个维度分析艺术家与历史风格的契合度和强度变化。
2026-03-23 cs.HC
Quality-diversity for aesthetic evolution
许多创造性的生成设计空间包含多个区域,具有高美学价值的个体。然而,传统的进化计算方法通常专注于优化,在种群中搜索最适合的个体。在本文中,我们应用质量多样性搜索方法,探索一个创造性的生成系统(基于代理的线画模型)。我们进行随机抽样的基因型空间,并使用个人艺术家分配的审美质量的评价,制定一个可计算的健身措施,具体到艺术家和这个系统。为了计算多样性,我们使用了一个卷积神经网络来区分在维度上减少到两个维度的特征。我们表明,质量多样性搜索是能够找到高美学价值的多个表型。这些表型比艺术家使用人工搜索方法能够找到的表型显示出更大的多样性和质量。
2022-02-04 cs.HC cs.NE
A Value-Oriented Investigation of Photoshop's Generative Fill
本文采用价值敏感设计框架分析Photoshop生成式填充对创意专业人士价值观的影响,基于566条论坛帖子发现其在提升效率的同时引发了创造力方面的价值张力。
2024-05-06 cs.HC
One Artist's Personal Reflections on Methods and Ethics of Creating Mixed Media Artificial Intelligence Art
我打算把我的主观经验作为一个自我描述的“艺术家”的单一单位,利用人工智能作为辅助视觉创作工具,做出科学贡献,希望它能为艺术家和计算机科学家提供一些灵感或更深层次的意义。首先,我将提供一些关于我个人历史的背景,迄今为止,作为一个艺术家。艺术家和科学家都不可能存在于真空中,所以我将提供一些(尽管不是详尽的)相关工作,这些工作帮助我将自己的工作和思考置于这个领域的背景中。我经常按时间顺序考虑我在创作过程中的方法,所以我根据我的艺术工作流程的松散结构划分了这一部分。这些基础为围绕主题、接待、社区和道德等主题的讨论提供了肥沃的土壤。然后,我总结了一些想法,为未来的工作领域的理论的作者,可解释性工具,研究框架。
2022-11-30 cs.CY cs.HC
Stable diffusion models reveal a persisting human and AI gap in visual creativity
Cognition and Brain Plasticity Unit, Bellvitge Biomedical Research Institute(认知与脑可塑性单位,贝尔维希生物医学研究所);Bridging AI and Neuroscience, Computer Vision Center(弥合人工智能与神经科学,计算机视觉中心);Department of Cognition, Development and Educational Psychology, University of Barcelona(认知、发展与教育心理学系,巴塞罗那大学);Vienna Cognitive Science Hub(维也纳认知科学中心);Faculty of Psychology, University of Vienna(心理学系,维也纳大学);Computer Science Department, Universitat Autonoma de Barcelona(计算机科学系,巴塞罗那自治大学);University of Barcelona Institute for Complex Systems (UBICS)(巴塞罗那大学复杂系统研究所);Department of Catalan Philology and General Linguistics, University of Barcelona(加泰罗尼亚语言学与一般语言学系,巴塞罗那大学);Catalan Institution for Research and Advanced Studies (ICREA)(加泰罗尼亚研究与高级科学研究机构(ICREA));Aix-Marseille University(艾克斯-马赛大学);Institute of Neurosciences (UBNeuro), University of Barcelona(神经科学研究所(UBNeuro),巴塞罗那大学)
研究比较了人类参与者与AI图像生成模型在视觉创造力上的表现,发现视觉艺术家最具有创造力,随后是非艺术家,再是受人类启发的生成AI,最后是自我引导的生成AI。人类指导显著提升了生成AI的创造力,但人类与AI评估者在创造力判断上存在显著差异。
2026-03-23 cs.AI cs.HC
A Framework for Creative-Visualization Opportunities Workshops
应用可视化研究人员经常与领域合作者密切合作,以探索新的和有用的可视化应用。对于所有利益相关者来说,协作的早期阶段通常是耗时的,因为研究人员从不同的讨论和会议中拼凑出对领域挑战的理解。然而,最近的一些项目报告了使用创意可视化机会(CVO)研讨会来加速应用工作的早期阶段,在几天的集中工作中提出了大量的要求。然而,对于如何有效利用这些讲习班,没有既定的指导。在本文中,我们提出了一个为期2年的合作,我们分析了使用17个研讨会在10个可视化环境的结果。它的主要贡献是为CVO研讨会提供了一个框架,该框架:1)确定了使用研讨会的过程模型; 2)描述了有效研讨会内发生的事情的结构; 3)为未来的研讨会推荐了25条可操作的指导方针; 4)提供了一个示例研讨会和研讨会方法。这个框架的创建证明了批判性反思的使用,从不同的研究和经验中学习可视化的实践。
2018-08-02 cs.HC
AttentionBender: Manipulating Cross-Attention in Video Diffusion Transformers as a Creative Probe
University of the Arts London(伦敦艺术大学)
AttentionBender通过操纵视频扩散变换器中的交叉注意力,帮助艺术家探索黑箱视频生成的内部机制,揭示交叉注意力的高度交织特性,并产生新的美学效果。
2026-04-22 cs.CV cs.HC cs.MM
Do Conversational Interfaces Limit Creativity? Exploring Visual Graph Systems for Creative Writing
提出一种基于节点的图形化系统以可视化链接生成式AI模型,克服对话式接口的线性结构限制,支持创意写作中的自由探索与构思。
2025-07-11 cs.HC
Equivalence: An analysis of artists' roles with Image Generative AI from Conceptual Art perspective through an interactive installation design practice
Georgia Institute of Technology(佐治亚理工学院);Delft University of Technology(代尔夫特理工大学);University of California, Santa Barbara(加州大学圣巴巴拉分校)
本研究基于Rhodes创造力框架提出5P模型,比较概念艺术与图像生成人工智能的创作过程,并通过基于Stable Diffusion和NLP的多屏交互装置“Equivalence”实践案例,重新审视艺术家在生成式人工智能艺术中的角色与创造性贡献。
2024-04-30 cs.AI cs.HC
How Professional Visual Artists are Negotiating Generative AI in the Workplace
Carnegie Mellon University(卡内基梅隆大学)
本文研究了专业视觉艺术家在工作场所中对生成式AI的态度与应对策略,发现大多数艺术家反对使用生成式AI,并通过多种拒绝策略应对其影响。
2026-03-06 cs.AI cs.CY cs.HC
Evidence that Cross-Domain Re-interpretations of Creative Ideas are Recognizable
本研究的目的是探讨创意作品在其他领域的可复制性。我们测试了人们是否能够识别出哪些艺术作品的灵感来自于哪些音乐作品。三位专家画家创作了四幅画作,每幅都是艺术家对四首不同器乐作品之一的诠释。参与者能够识别哪些绘画的灵感来自哪些音乐作品,在统计学上显着高于机会的水平。研究结果支持的假设,创造性的想法可以存在于一个至少有点域独立的状态的潜力,并成为更明确的,因为他们是根据一个特定的域的约束实现。
2019-07-09 cs.HC q-bio.NC
Unlimited Editions: Documenting Human Style in AI Art Generation
College of Information(信息学院);University of Maryland(马里兰大学)
本文反思AI艺术生成研究,提出HCI应记录生成图像中艺术风格的人类来源、演变与创造性选择,而非仅追求视觉效果复制。
2025-06-05 cs.AI cs.CY cs.HC
Telling Creative Stories Using Generative Visual Aids
MIT Media Lab(麻省理工学院媒体实验室);Facebook AI Research(Facebook人工智能研究院);Georgia Institute of Technology(佐治亚理工学院)
使用生成视觉算法创建的视觉艺术作品能否激发人类在讲故事方面的创造力?我们要求作家从一个开始的提示写创意故事,并为他们提供由生成式人工智能模型从同一提示创建的视觉效果。与对照组相比,使用视觉效果作为故事写作辅助的作家写出了更具创造性,原创性,完整性和可视化的故事,并且发现任务更有趣。在使用的生成算法(BigGAN,VQGAN,DALL-E,CLIPDraw)中,VQGAN是最受欢迎的。没有观看视觉效果的对照组在整合开始提示方面做得更好。研究结果表明,人工智能的跨模态输入可以有利于人类-人工智能共同创造中创造力的不同方面,但会阻碍收敛思维。
2021-10-27 cs.AI cs.HC
musicolors: Bridging Sound and Visuals For Synesthetic Creative Musical Experience
本文提出实时网络音乐可视化库 musicolors,并通过面向作曲家、开发者和听众的定性研究,揭示其在音乐构思、系统集成与联觉聆听中的价值,进而提出未来设计指南。
2025-03-18 cs.HC cs.MM
Explainability-in-Action: Enabling Expressive Manipulation and Tacit Understanding by Bending Diffusion Models in ComfyUI
School of Interactive Arts and Technology(交互艺术与技术学院);Simon Fraser University(西蒙弗雷泽大学)
提出一种基于手工艺的可解释性方法,通过集成于ComfyUI的模型弯曲与检查插件,使艺术家能交互式操作大型生成模型的内部结构,从而获得隐性理解与表现力。
2025-08-10 cs.AI cs.HC cs.LG
Interactive Neural Style Transfer with Artists
ENS, PSL University & INRIA(巴黎高等师范学院、巴黎文理研究大学与法国国家信息与自动化研究所);ENS, CNRS, PSL University(巴黎高等师范学院、法国国家科学研究中心与巴黎文理研究大学);ENS Paris-Saclay(巴黎萨克雷高等师范学院)
我们提出了交互式绘画过程中,画家和各种神经风格转移算法在一个真正的画布上进行交互。了解这些算法的输出结果对于描述我们交互实验中的创造性机构至关重要。我们收集了一组成对的绘画图片图像,并提出了一种新的评估方法的基础上预测的神经风格转移算法。指出了一些算法的不稳定性,并指出它们可以用来扩大现有的众多神经风格转换算法合成的图像的多样性和令人愉悦的奇异性。这种图像的多样性被认为是人类画家的灵感来源,将机器描绘成计算催化剂。
2020-03-14 cs.CV cs.GR cs.HC
Revival: Collaborative Artistic Creation through Human-AI Interactions in Musical Creativity
School of Interactive Arts and Technology(交互艺术与技术学院);Simon Fraser University(西蒙菲莎大学)
本研究介绍艺术家团体K-Phi-A的创新项目Revival,通过训练AI音乐智能体与人类音乐家实时即兴共创、搭配AI视觉合成器生成随音乐演变的视觉效果,展现人机协作在即兴艺术创作中的潜力。
2025-01-19 cs.AI cs.HC cs.MA
Seizing the Means of Production: Exploring the Landscape of Crafting, Adapting and Navigating Generative AI Models in the Visual Arts
Simon Fraser University(西蒙菲莎大学)
本文梳理视觉艺术家利用打造、适配和导航深度生成模型创作个人艺术品的选项图景,主张将模型打造作为独立创意活动进行研究与设计。
2024-04-26 cs.AI cs.HC
PortfolioMentor: Multimodal Generative AI Companion for Learning and Crafting Interactive Digital Art Portfolios
Columbia University(哥伦比亚大学)
针对设计学生缺乏技术背景难以制作交互式数字艺术作品集的问题,提出面向IDE的编程伴侣聊天机器人PortfolioMentor,通过多模态生成式AI提供主动建议与问答,协助学生完成从创意构思到作品集合成的全流程共创。
2023-11-23 cs.AI cs.CY cs.HC
PaintCopilot: Modeling Painting as Autonomous Artistic Continuation
MIT Media Lab(MIT媒体实验室);New York University(纽约大学)
本文提出了一种基于神经网络的绘画助手PaintCopilot,通过建模绘画作为开放性自回归艺术行为,基于不断演变的画布状态和先前笔触历史,无需目标图像即可预测未来笔触,与现有神经绘画方法不同,后者将绘画建模为向预定参考图像的像素重建。
2026-09-15 cs.CV cs.GR cs.HC
Explainable AI through the Lens of Material Agency: Enabling Musical Interface Design with Neural Audio Models
Centre for Digital Music, Queen Mary University of London(伦敦玛丽女王大学数字音乐中心);Creative Computing Institute, University of the Arts London(伦敦艺术大学创意计算学院)
该研究从物质能动性视角探讨可解释人工智能,提出物质可解释性,通过构建资源库案例研究,在音乐界面设计中探索神经音频模型,还给出在艺术实践中探索人工智能为材料的建议,以启发未来面向艺术家的可解释人工智能设计。
2026-07-28 cs.HC cs.SD
Creative Blends of Visual Concepts
针对视觉融合传达抽象概念的概念与技术挑战,提出AI辅助设计系统Creative Blends,结合常识知识库、大语言模型与文本生成图像技术实现视觉融合,经用户研究验证可降低认知负荷、激发创造力并提升隐喻丰富度,还探索了多物体融合的潜力。
2025-02-22 cs.GR cs.HC
fCrit: A Visual Explanation System for Furniture Design Creative Support
Concordia University(康科德大学)
本文提出对话式AI系统fCrit,通过多智能体架构和结构化设计知识库为家具设计提供可解释批评,并根据用户的设计语言与认知框架定制解释,推动创意实践中以人为中心的可解释AI发展。
2025-08-17 cs.AI cs.HC
Opening the Design Space: Two Years of Performance with Intelligent Musical Instruments
The Australian National University(澳大利亚国立大学)
本文探讨了在可访问且便携的AI系统支持下,智能音乐乐器的设计空间,通过两年的艺术研究,展示了AI交互的新策略和方法。
2026-04-26 cs.HC cs.SD
Fostering Creative Visualisation Skills Through Data-Art Exhibitions
本文介绍了在计算课程中实施数据艺术展览以培养三年级学生创意可视化技能的做法,学生从选定数据集创建艺术可视化并公开展示,研究表明该举措有效促进了创新思维和技术熟练度。
2024-08-29 cs.CY cs.HC
From State Changes to Creative Decisions: Documenting and Interpreting Traces Across Creative Domains
LISN Université Paris-Saclay, CNRS, Inria(LISN 巴黎-萨克雷大学、国家科学研究中心、Inria)
本文提出三种方法,用于在不同创意领域中记录和解释创造性活动轨迹,包括GenAI艺术作品管理、可视化作者的视觉提示词汇表以及嵌入语义历史的编程模型。
2026-03-07 cs.AI cs.HC cs.PL
Visual instrument co-design embracing the unique movement capabilities of a dancer with physical disability
本文通过舞者与艺术家的协作,设计基于可穿戴动作追踪与实时可视化的视觉乐器,并以即兴表演为试验台,探索残障舞者独特运动能力与创造性表达的协同设计。
2024-06-12 cs.HC cs.MM
It's a Feature, Not a Bug: Measuring Creative Fluidity in Image Generators
本文通过定义和测量“提示词解释的流动性”,利用自动生成提示词图像链、视觉语义指标及统计测试,实证研究了流行图像生成器中AI创造性行为的一个方面。
2024-06-03 cs.AI cs.CV cs.HC
Unboxing Diffusion Models for the Arts: Interactive Model Bending and Practice-Based Explainability
School of Interactive Arts and Technology, Surrey, Canada(交互艺术与技术学院,英国苏城)
研究探讨创意实践中可解释人工智能,提出以实验和干预为中心的方法,通过集成模型调整和交互界面到工作流程,经对Stable Diffusion 1.5分析,助艺术家理解模型组件对生成图像的影响,让大型模型成为创意材料。
2026-07-27 cs.AI cs.HC cs.LG