深度学习如何像人类一样产生“创造力”，一直是AI科学家们研究的热点。罗格斯大学和查尔斯顿学院近日联合发布了一篇论文，发布了一种全新的深度学习模型——创意对抗网络（Creative Adversarial Networks，CANs）。CAN通过学习风格和偏离风格规范来生成“艺术作品”。该论文是在2017年6月20日至6月22日在亚特兰大举行的第八届国际计算创意大会（ICCC）发布的论文的扩展版本。

科林·马丁代尔（Colin Martindale，1943-2008）提出了一种解释新艺术创作的心理学理论。他假设，在任何时候，创意艺术家都试图增加艺术的唤醒潜力来推动改变惯性。然而，这种增长必须是最小的，以避免观察器的负面反应（最不努力的原则）。马丁代尔还假设，当艺术家在风格的角色中发挥其他手段时，风格的突破就是增加艺术的唤醒潜力的一种方式。本文提出的方法灵感来自于马丁代尔的最小努力原则和他对风格的分析。在试图解释艺术进步的理论中，我们发现马丁代尔的理论是在计算上可行的。

深层神经网络最近在推动各种应用领域的人工智能方面发挥了转型作用。特别需要指出的是，人类已经提出了几个具有生成新颖图像以模拟给定训练分布的生成深层网络。生成对抗网络（GAN）已经非常成功地实现了这一目标。我们认为，这样的网络在其原始设计中产生创意作品的能力有限。灵感来自于马丁代尔的理论，在本文中，我们提出修改GAN的目标，使其能够通过最大化偏离已建立的风格同时最大限度地减少偏离艺术品分布来创造创意艺术。

生成的图像的样本

来源：机器人圈