生成对抗网络（GAN）在抽象艺术创作中的风格迁移与创新研究_数字艺术.docxVIP

PAGE2

生成对抗网络（GAN）在抽象艺术创作中的风格迁移与创新研究

第一章绪论

1.1研究背景

随着人工智能技术的深度渗透，数字艺术正在经历一场从工具辅助到协同创作的范式转变。传统抽象艺术高度依赖艺术家的直觉、情感和偶然性，其创作过程难以被程序化描述。然而，深度学习模型的出现，特别是生成对抗网络（GAN）的问世，为模拟乃至生成艺术风格提供了全新的技术路径。

当前艺术创作领域面临的核心矛盾，在于如何在保留创作者主体性的同时，高效利用智能工具激发新的表现形式。艺术家希望突破惯用的视觉语言，避免陷入风格重复，而手工实验大量变体耗时费力。与此同时，画廊与数字藏品市场对具备独特审美价值的批量艺术衍生品需求激增，要求创作工具既能传承某位艺术家的核心风格，又能自动注入可控的创新性。

技术瓶颈同样突出。现有风格迁移方法多聚焦于写实图像间的转化，对于抽象艺术中非具象形态、色彩情感隐喻以及笔触肌理的捕捉尚不成熟。抽象画作的“风格”往往难以用单一的统计分布定义，它包含色彩构成、空间节奏、材料质感等多元维度，传统卷积神经网络难以完整解耦和重组这些要素。此外，生成结果常常流于浅层模仿，缺乏真正意义上的“创新”，即生成超越训练样本分布却依然保持美学内在一致性的作品。

另一重局限在于，多数系统将AI定位为输出终端，而非创作过程中的合作伙伴。艺术家无法实时介入生成过程，对抽象程度、破坏与重建比重等创