AI在藝術界表現出越來越驚人的“天賦”

我們知道用AI來繪畫、寫詩、作曲已經不是新鮮事。但在藝術領域，AI在試圖模仿、甚至超越人類的過程中，始終存在一個難以逾越的瓶頸，就是人類與生而來的創造力。

這也是AI研發人員聚焦深度學習和強化學習著力攻克的難點之一。

近日，預印論文庫arXiv上發表了一項最新研究成果，論文中的AI畫家可以化身“心靈捕手”，通過對話式溝通感受人類的獨特品質、個性和情緒，從而繪制具備內在情感特征的人物肖像。

據了解，這位Empathic AI Painter，出自來自加拿大溫哥華西蒙弗雷澤大學（SFU）iViz實驗室團隊。此前，他們的AI畫家曾在國際神經信息處理系統（NeurIPS）大會做了現場演示，吸引眾多用戶參與圍觀，還受到CTV國家新聞的專項報道。

那么這款“心靈捕手”AI畫家是如何進行藝術創作的呢？

會聊天的AI畫家

據該團隊介紹，AI畫家具備兩套創意系統，一是對話式語音交互系統，一是AI人像生成模型系統，他們均通過3D虛擬人像來呈現。

Empathic AI Painter

與傳統繪制畫像不同，它不是一種靜態的“眼觀”模式，而是采取對話聊天的形式，捕捉內在情緒完成藝術創作。

該團隊教授史蒂夫·迪帕拉（ DiPaola）表示，3D虛擬畫家的語音交互系統可以與用戶聊天，就某一事件采訪他們的感受，了解他們的性格，進而通過AI人像生成模型，在繪畫過程中體現不同的情感特質。總的來說，AI畫家需要完成三項任務：

感知用戶語言和行為

基于以上信息，判定人物性格和情感特質；

通過AI人像生成模型，在繪畫風格、色彩、紋理上呈現不同的用戶特質；

在ECA方面，3D虛擬人像融合了NLP自然語言處理模型，在交談中通過面部情感、語言壓力、語義，感知人類的情感和對話，并作出相應的反饋。另外，其內置的共情建模，還可以通過手勢、言語、表情，對用戶情緒作出感知性反應。自然、真誠的對話表現可以讓人類更真實的表現自己。

在個人特質評估方面，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80年代提出的，被廣泛用于人格分析。模型提出了神經質（N）、外傾性（E）、經驗開放性（O）、宜人性（A）和認真性（C）五大人格因素，并通過NEO人格調查表進行測量。

在肖像渲染階段，利用mDD（（ModifiedDeep Dream）模型在16萬張數據集上進行深度訓練，由ePainterly模塊完成的最終的風格繪制。

17種不同類型的情感肖像

那么它的作畫效果如何呢？之前提到，AI畫家曾在NeurIPS 2019大會上做過現場展示，當時有26位用戶參與，并完成的現場交互。實際上原、人格調查表有120多個問題，大約需要45分鐘才能完成。

但這里研究人員僅使用了每個維度的一個問題進行了互動，用時不足5分鐘。以下是圍繞“會議感受”主題下的互動問題：

最終結果顯示，84.72%的用戶語音被準確識別，AI畫家完成呈現除了17中不同的個性類別，同時用戶也表示，該風格表現出了其內在的情感特征。（以下是部分作品）

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

DiPaola教授認為，AI在激發藝術與高級計算機技術融合方面存在無限的潛力。他們所研發的AI系統只是藝術創新的第一步，之后他們還將在此系統上，探索基于詩歌、散文的藝術創作。

背后的技術原理

與傳統AI設計使用單一算法不同，DiPaola教授團隊的AI系統融合多種不同的技術。我們先來看一下完成的AI系統的架構組成，分為對話交互循環（Conversational Interaction Loop）和生成風格化肖像（Generative Portrait stylization）兩大模塊組成，這兩個模塊之間由BIG-5人格模型鏈接，用于傳達個性化肖像的關鍵信息。

第一階段的對話交互循環功能是基于具有移情模塊的M-Path系統實現的。它可以呈現出3D虛擬人像的形式。在與人類的對話中，具備類似視頻會議的輸入輸出設置，能夠根據用戶的情感和語言屬性實時處理輸入，進而產生言語或行為的移情輸出。具體來說，M-Path系統的運行是基于三個不同模塊控制：

感知模塊：用于采集和處理參與者信息。當用戶講話時，此模塊通過麥克風和攝像機收集音頻和視頻作為輸入信號。在視頻輸入源中，面部情感識別模塊采用的是OpenCV算法，用來識別不同面部表情所對應的情緒類別。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+數據集的深度學習訓練而獲得。

另外，來自麥克風的語音輸入首先會被傳送至文本模塊，進行轉化轉換處理。該模塊采用的是Google的STT服務。

情緒分析組件使用從STT服務接收到的文本來評估文本的極性值（正-中性-負），然后通過SO-CAL情感分析器在NRC-Canada詞典上進行了重新訓練，最后將文本發送至決策組件生成對話響應。整個處理過程會持續到對方發送語音結束為止。

行為控制器模塊：負責在對話循環中，生成同理心和具有目標導向的語言/非語言響應。 在收聽階段，3D虛擬人像會產生相應的情感匹配和反向傳播行為。情感匹配是通過移情機制對用戶面部表情的選擇而實現的。而在交談中通過檢測到暫停觸發的點頭行為來創建反向傳播，這兩種行為的集合，最終生成了獲取情感的聆聽行為。

當對話結束后，從STT引擎接收到的文本信息會與用戶的總體情感一起傳遞至對話管理器（Dialogue Manager），并最終發送到移情機制（e Empathy Mechanisms）組件。 DM的目標是完成Big-5人格問卷識別的個性類別。 EM的目標生成對應類別的情感響應。

行為管理模塊：用于創建自然的對話行為。M-Path在對話的所有狀態下連續生成非語言或非語言行為，如面部表情，身體姿勢、手勢及嘴唇移動會與語音輸出同步完成，并作為行為標記語言（Behavior Markup Language）消息發送到Smartbody角色動畫平臺以顯示生成的行為。

第二階段生成風格化肖像，這部分的處理分為三個步驟。首先主要是運用AI工具對人像進行預處理，包括圖像背景分割，調整人像的光和色彩的平衡。

然后將預處理的圖像輸入至mDD系統模型進行深度訓練，這里借用的是Google的Deep Dream模型，基于本次研究特性進行了部分調整，因此在這里成為mDD（ModifiedDeep Dream）。它所使用的數據集收集了來自3000位藝術家的160，000張帶有標簽和分類的畫作，總大小為67 GB。

最后，ePainterly系統結合Deep Style來處理人像表面紋理以及非真實感的渲染（NPR）技術，例如粒子系統，調色板操縱和筆觸引擎技術。這個不斷迭代的過程將完成最終的肖像風格。其中ePainterly模塊是講點繪畫系統Painterly的擴展。

這部分NPR渲染在很大程度上減少了mDD輸出圖像時產生的噪聲偽影。以下是各個階段的效果圖：

雖然AI畫家在捕捉人類情感，繪制風格化肖像方面表現非常出色，但該研究團隊認為它還有很大的擴展空間，并表示從情感評估模型、用戶個性分析和互動場景三個方面對其進行優化。