別急，先來看一幅畫。

這是獲得2018年國際機器人藝術大賽（RobotArt）的第一名的“藝術家”CloudPainter帶來的作品，使用機器學習來重新詮釋塞尚的印象派畫作。

很多人認為藝術創造力是人類獨有的天賦，而近年來AI也能創作出如上圖一樣的畫作，似乎在向人們證明，算法在繪畫、素描和雕刻方面的表現并不算差，甚至具有人性化的精確度。

最近發表的一篇論文更證實了這一點。來自美國馬里蘭大學和Adobe Research的研究員們開發出一個新穎的機器學習系統——LPaintB，能夠在一分鐘之內將手繪圖在達芬奇、梵高和弗美爾之間進行迅速的轉換。

隨著非真實感渲染技術的發展，包括基于筆畫和繪畫渲染，特殊設計或手工設計的方法可以通過應用啟發式來越來越真實地模擬繪畫過程。這些算法雖然可以產生令人信服的結果，但很難將它們擴展到其他的樣式。為了解決這個問題，研究員專注于構建一個畫畫小能手，可以通過模仿參考圖象來訓練繪畫技能，用相同的或轉換的樣式再現參考圖像。

研究人員結合了自我監督學習和強化學習，其中未標記的數據與少量標記數據結合使用以提高學習準確性，從而在有限的參考圖像的基礎上從頭開始訓練智能體。通過建模系統的動作狀態（即畫筆配置，如長度、方向和畫筆大?。⑼ㄟ^將錯誤的目標狀態替換為最終狀態，生成了一個帶有正向獎勵的配對語料庫，并將其提供給AI 模型使它學會了以目標的藝術風格繪制參考圖像。

第一行是原始圖片，第二行是AI改變風格的圖片

結果看起來不錯但過程并不是一帆風順。研究人員指出，通常情況下，系統采樣的行動中只有一小部分能夠獲得正面獎勵。他們使用強化學習試圖解決這一問題，該技術使用目標狀態作為配對數據來訓練策略。但是正因為用于訓練它的配對數據只包含正面獎勵的行動和一系列連續動作的狀態，結果生成的策略并不是特別強大，這使得難以從不良行為中恢復負面獎勵。

解決這一問題需要再次進行強化學習：在參數空間增加噪聲，這種參數空間中的動作有助于提高模型舉一反三的能力，并通過獎勵優化模型的行動。

最終的AI框架，可以使用描述筆劃大小，顏色和位置信息的參數執行繪制操作，并對畫布做出相應的更新，使用獎勵函數評估當前狀態和目標狀態之間的差距。為了編譯訓練數據集，研究人員以不同比例的特定樣式從參考圖像中隨機抽取補丁，并抽樣出固定數量的補丁。

他們將這些補丁輸入至模型中，經過一個小時的培訓后，系統能夠在不到一分鐘的時間內，在配備16核處理器和Nvidia GTX 1080圖形芯片的PC上重現1000 x 800和800 x 800圖像。

除了在畫作大師之間進行風格轉換，該算法還能讓普通照片擁有油畫般質感

研究人員指出，訓練模型的泛化能力高度依賴于訓練數據，他們的方法基于一個非?；镜睦L畫環境，但自我監督和強化學習的結合極大地提高了策略的效率和表現。接下來團隊將會在筆刷參數上做出更細致的規劃，如筆刷大小、顏色和位置；并致力于構建基于模型的強化學習框架，使模型可以構建到繪圖模擬器中。