神經風格遷移算法學作畫，人類會在藝術領域敗給人工智能嗎？
隨著人工智能越來越全能，TA們似乎已經能接替我們完成一切工作，或許未來真的像某位大佬說的一樣，人類只負責研究藝術和哲學。
不過目前看來，藝術這塊陣地也快要失守了。
用過Prisma的應該都知道，把照片變成名畫風格如今只是動動手指的事情。事實上，只要有一兩張樣本，神經網絡可以迅速的學會各種風格，這種技術被稱為“神經風格遷移”。
如何實現神經風格遷移?
卷積神經網絡將圖像分割為“內容”和“風格”，在抓取時，高層神經網絡抓取了圖片的風格，比如色彩和排列。而底層神經網絡抓取的則是圖像的內容，也就是圖像的細節。
這只是神經風格遷移的***步，在抓取了風格之后，還要將風格迭代到需要改變的圖片上。
風格迭代通常有兩種方式，一種基于圖片，直接更新迭代圖片像素，最終實現風格的遷移。很多算法會在過程中計算***均值差，測量風格圖像和內容圖像之間的差異。讓兩種圖像“對齊”，從而減少圖像迭代時造成的損失和誤差。
另一種則是基于模型迭代的，當需要用某一種風格迭代大量圖像時，可以訓練前饋網絡，使用梯度下降，通過迭代式地更新模型來優化網絡模型。
神經風格遷移應用，不僅僅是畫作
如果你認為神經風格遷移只是一個升級版的photoshop濾鏡，那就大錯特錯了，很多案例表明，這一技術正在被應用于越來越多的領域之上。
比如Flipboard軟件工程師曾經發布過一個將神經風格遷移應用在漢字字體上的項目。
提供2000個左右的樣本字體，讓神經網絡識別出偏旁部件和筆觸風格的區別，最終就能實現出字體之間的轉化。
又比如在暮光之城女主角克里斯汀·斯圖爾特拍攝的電影《Come swim》中，也利用了神經風格遷移技術將印象派繪畫風格和電影畫面相融合。就此，克里斯汀還寫了一篇題為“運用神經風格轉移實現印象派風格之在電影“Come Swim”中的應用”的論文。
如上圖一樣，從畫作中提取風格，再通過算法迭代渲染到畫面之上。不過在論文中基本沒有提到成本，尤其是時間成本問題。《Come swim》中的情節是一半現實(未經處理過的畫面)和一半夢境(經由神經風格遷移處理過的畫面)。從拍攝上來說自然是直接渲染更加方便，如果是完全的動畫電影，這種先拍攝再渲染的方式是否比直接電腦繪制更有性價比還值得商榷。
神經風格遷移真的能“替代”藝術嗎?
其實說了這么多，多少有點聳人聽聞的嫌疑。從藝術的角度來講，神經網絡遷移只不過是另一種“印刷術”，過去的印刷術是在復制圖像，而神經網絡遷移是在復制風格。
而且神經網絡遷移是沒有“創作”能力的，如果不給TA需迭代的圖像內容，TA只能產出一些無意義的、混亂的像素點。雖然目前有人利用圖像語義布局技術讓AI創造出全新的畫面，但對于AI來說，這只是一種模仿，在創造時沒有付諸情感，可能和我們定義中的藝術還有著不小的差距。
(作畫機器人)
可神經風格遷移能做到的，卻是在藝術商業化過程中為人們節約大量的時間。
比如在字體項目中，藝術創作者只需創造少量字的字體，機器則負責完成剩下的工作。又比如以《Cool swim》為代表的影視后期工作，只需要幾張畫作確立風格，就能完成對整部電影的渲染。
目前看來，神經風格遷移最適合應用在動畫產業上。比如新海誠的作品，就是出了名的和實景高度相似，色彩風格顯著。之前還有照片后期產品推出過新海誠風格的濾鏡，和風景照結合，和動畫中的畫面非常相似。而神經網絡遷移，則可以更好的完成這項工作。包括對動畫原稿的上色等等，都能極大的提高產業工作效率。
這也給藝術創作提出了一個全新的問題，我們是否應該為“風格”設立所有權?畢竟利用神經網絡遷移，人人都可以以假亂真的模仿梵高。如果一副畫作由我原創，卻經由他人風格迭代處理，那這幅畫的作者究竟應該是我還是別人，又或者該屬于算法的開發者?在模仿的成本極低時，又該如何為模仿和抄襲劃分界限?
當然，這些都是后話。科技的發展，除了為人類生活帶來便利之外，還在不斷刷新著我們對各種事物的定義。像是一百年前我們認為藝術只能誕生于畫布和顏料中，而如今數位板、Photoshop都是創造藝術的工具。人工智能不會從人類手中奪走創作權，更不會“消滅”藝術，只會將這項美妙的事業帶上更高的境界。
