作为艺术家的传播模型:我们正在缩小人与机器之间的差距吗?
维克多·鲍廷、托马斯·费尔、拉克希亚·辛哈尔、里沙夫·穆克赫吉、阿卡什·纳加拉吉、朱利安·科林、托马斯·塞雷
第40届机器学习国际会议论文集,PMLR 202:2953-30022023年。
摘要
人工智能的一个重要里程碑是算法的开发,它可以生成与人类无法区分的图形。在这里,我们采用了Boutin等人(2022年)的“多样性与可识别性”评分框架,发现一次性扩散模型确实开始缩小人与机器之间的差距。然而,通过对单个样本的原创性进行细粒度测量,我们发现加强扩散模型的指导有助于提高其绘图的人性化,但它们仍未能接近人类绘图的原创性和可识别性。将通过在线心理物理实验收集的人类类别诊断特征与扩散模型得出的特征进行比较,发现人类依赖的本地化特征越来越少。总之,我们的研究表明,扩散模型大大有助于提高机器生成图纸的质量;然而,人类和机器之间的差距仍然存在&部分原因是视觉策略的差异。
引用本文
相关材料