美的计算生成艺术创新设计的边界动画算法编程艺术视觉

生成艺术的概念最早来自于计算机图形学,是当代艺术创作的一种形式。不一定以艺术品或最终产品为中心,而是创作过程和底层思想。作品由艺术家或程序创建的一组规则,例如自然语言,音乐语言,二进制代码或机制,从而得到无法复制、美丽的结果。与可能花费数天甚至数月探索一个想法的传统艺术家相比,生成代码艺术家使用计算机在几毫秒内生成数千个想法。生成艺术家利用现代处理能力来发明新的美学——指导程序在一组“艺术约束”内运行并引导过程达到预期的结果。

通过KatharinaBrunner的一组作品解析过程,让我们拆解生成艺术的完成过程:

生成艺术设计是设计师制定好美学规则后,计算机形成的一个随机化生成系统。它通过算法驱动执行,生成可循环上千次的设计选择,最后由设计师调整参数配置后选择输出结果,每一次的调整实际上都会更逼近想得到的方案,在过程中设计师可以轻松调整探索不同的可能性。

从设计的效率来看,计算机的辅助使生成艺术设计远远超过了团队的创造能力,进而帮助设计师探索最有效的设计结果。生成艺术打破传统意义上设计软件的路径限制,不再拘泥于软件的边界。并不与效率背道而驰,生成艺术设计并不是结构化的设计系统。从创新度和艺术性来看,由设计师制定规则通过计算机编程完成的美的计算,赋予设计全新的可能性,一定程度是艺术的规则和量化,也是设计的无序和随机。

▲大悲宇宙-林琨皓X'Diptera:虚拟蝴蝶

X'Diptera:虚拟蝴蝶是数据合成昆虫,在每日更新的虚拟蝴蝶图案过程中,作者想表达的是昆虫是有生命的精密仪器,让昆虫在虚拟中物种进化。尤其是蝴蝶的纹理的鲜艳色彩完全基于电脑算法和人工智能,不仅创造了新物种,使创作的速度也高效。截至现在,每只都不尽相同,而总共产生了有20万只不一样的蝴蝶。

03

如何创造生成艺术设计

1.软件工具类

1)Java:Processing

Processing是一个免费的图形库和集成开发环境(IDE)专为电子艺术、新媒体艺术和视觉设计而构建,目的是在视觉环境中向非程序员教授计算机编程的基础知识,包括p5js(JavaScript处理)和Processing.py(Python处理)并进行了额外的简化。因此processing实际上是对于设计师较容易上手的,也是国内被广泛使用的生成艺术软件。

学习processing可以通过《GettingStartedwithProcessing》(由processing创始人编写)来进行入门。它的上手成本并不高,举个例子:PixelFlow是Processing的一个高性能流体库,附带了非常完善的官方示例,仅仅是把这些示例修改一下就能让你的设计熠熠生辉。

2)C++:openFrameworks和cinder

▲openFrameworks完成的代码插画设计

3)Web:p5.js

4)3D:Mandelbulb3D分形渲染软件

分形艺术实质属于生成艺术,是一种算法艺术形式的概括性说法。借助计算机和数学之美,产生繁复、且对称的图形设计。Mandelbulb3D是专门针对生成艺术下的分形艺术而产生的设计艺术软件,适用于3d类对于分形艺术的需求。

▲ArtbyHalTennyNewTimeMachineMandelbulb3D

▲ArtbyDr-Pen根据抛光彩虹乐队创作的分形作品

2.二次生成:在线工具和程序

1)everypixel

一种生成风格化的静态纹理图案。基于已经预设好的丰富纹理图案库,设计师选择喜欢的图案后可进行多参数调节,通过customizepattern对元素的大小、密度及配色进行调整,生成自己独一无二的图案。

2)visiwig.com

满足开发的几何图形生成。丰富的自定义参数调整、满足各种需求的矢量几何风格的纹样,生成的结果可直接输出CSS源代码和SVG矢量图形素材。

3)Slik

对称的分形艺术纹理。通过网页可通过选择画笔数量、颜色、方向镜像等生成自己的对称式图案,极其简单制作分形图,图案画笔具有辉光感。

4)Biomes

基于noise生成生物群系,单击随机化创建新的或自定义。生成的.ply文件可直接通过电脑预览或通过网站转为通用的obj格式进入大多数3d软件进行编辑和使用。

5)JS数据生成艺术

为3d软件服务的贴图生成程序JSplacemet提供了通过控制参数即可产生变化的五种科技风格贴图。相当于开发人员已经制定了“科技风格”这一规则的生成艺术程序,用户仅需要改变参数,即可得到每次不同的风格化8K贴图供设计使用,通过3d软件诸如“置换”等功能辅助设计。

附软件下载-macorwin皆可在官网免费下载最新版

6)分形艺术纹理:chaotica

专为新手和生成艺术家设计的轻量分形程序,与上面介绍的js类似,但支持mac和win,不会3D软件也可以用生成的图片作为图案、蒙板、纹理等图像表现素材。新手用户可以享受编辑随机分形以制作令人惊叹的高清壁纸和动画的乐趣。

诸如此类的在线网站及程序存量巨大,如heropatterns、transparenttextures、GoogleAI实验等。感兴趣的可自行挖掘,这里不做赘述。

04

生成艺术拓展的设计创意

随机和规则的并存性创意

1.图形纹理:数理和谐与繁复之美

二方连续和四方连续由一个图案或花纹连续出现两次向上、向下、向左、向右的排列出现。二方是骨骼,四方为单位。对于非图案设计师来说,往往在品牌设计或载体的装饰性纹样设计中,二方连续和四方连续的装饰纹样都是具有一定挑战性的。纹样元素的图形组合,涉及了平面构成中的解构和重构,同时每一次的图形调整过于复杂,本身的纹样精密以及不断的调整颜色明度对比度、占据的比例和大小等。在繁复中寻找普遍接受度高的和谐往往占据设计师的过多精力,而拆解次方连续和四方连续等纹样组成的图案单位,实际上是一种追求数理和谐的程序性复杂纹理。

▲BLOW设计公司的设计红包出现大量二方连续与四方连续

二方连续和四方连续都可以通过生成艺术设计很快的完成并快速调试修改,最终得到许多张接近设计师审美的结果。生成艺术也可以实现通过参数修改,对图案进行平面构成的解构和重构,保持重组的新美感又能保持数理和谐,从简单的规则中可以得到有机的生命力和复杂的结果。

此外由于每一次的重新计算都可以得到类似但崭新的结果,使生成艺术在完成视觉的系列更新与组合尝试上效果显著。

2.品牌视觉:动态化和系统性的设计语言

品牌视觉在逐步走向3D化与动态化,通过生成艺术完成的品牌图形设计可以使动态部分富有规律性美感,同时生成艺术使动态品牌无论是图形本身还是运动轨迹的延展难度都大大降低,简单改变参数即可满足风格化的品牌建设并且拥有了可以互动的品牌新玩法,创造了新趋势。

variable是一家位于伦敦的数字工作室,在全球范围内与品牌、研究小组和组织合作,探索和体验数据艺术生成的新方式:随着大数据和机器学习的兴起,制药公司现在有能力看到人类看不到的模式和联系。那么,如何形象化和传达先进技术在现代药物开发过程中的作用?于是在与药物公司gsk合作的项目中,他们建立了一个生成性的品牌推广活动。

▲variable近十个月的想法演绎过程

通过想法演绎和推理,variable确定视觉方向是通过干净、无菌的“科技”外观与优雅的有机运动相结合并通过保持数据粒子和颜色相同来反映。最终品牌设计的定位是可视化的基因。

而这种设计的可能性,不经过严谨的计算很难通过设计师人为的力量完成。生成艺术或者说数据艺术的介入,让这次品牌推广考虑到了品牌本身的定位和使用场景的科学与和谐。

3.分形艺术:作为设计表达的可能性

而生成艺术下的分形艺术基于分形几何学和计算机的强大运算能力将审美再塑造,通过不断构型和自我复制为三维动画的视觉表现力提供了新的层次。在分形艺术构建的华丽世界,通过调整参数得到了规律的繁复图形,又探索了图形运动的节奏美感。值得注意的是,无论你看到的分形艺术在视觉效果上多么无限华丽,但实际上仅仅是参数调配的问题……产出时CPU和GPU资源占用并不会很大。可以想象,在未来VRAR等技术在设计中的强应用,会使分形艺术对人们感官的沉浸更进一层。

▲《Fractalicious8》3d短片

4.营销创意:创新的互动艺术玩法

在许多线下的沉浸式展览或毕业展,我们经常感受到通过人与装置之间的互动带来的特别体验,如通过触摸叶子在图像上传达叶子情绪变化、路过时屏幕上的自己被风格化某种艺术风格等,使设计的好玩性和互动度大幅度提升。生成艺术事实上也可以通过鼠标或摄像头实现交互,让用户一起参与完成艺术和作品的输出,形成有互动性的图像风格。

作品通过鼠标对试管的点击提高试管内液体高度同时对声音产生控制:七个不同颜色的试管代表七个音调,可调节生成独属于你的音乐旋律。

最后,不属于生成艺术的范畴但通过艺术编程的技术可实现的AI智能类创意玩法也可以进行诸多思考,满足许多技术领域上设计的发力点。辅助设计实现有趣互动,扩展设计创新。

05

结语

生成艺术为设计带来了全新的可能性,并为设计资源的合理运用与整个设计系统的运作都带来了新的解决方案。本文今天仅对生成艺术进行基础的探讨,随着生成艺术的普及与进一步发展。其在设计领域应用的可能性会进一步加深。

在今天,技术与人的关系并不是主宰与被主宰。艺术与设计的关系也并不只停留在过去和现在的借鉴,还有未来。我们可以通过技术工具为设计带来新的突破性,创新设计的边界。

附参考文献:

1.Galanter,P.Foundationsofgenerativeartsystems[J].2001.

THE END
1.算法设计非常复杂,如何才能设计出优秀的算法?10.学习和分享:不断学习新的算法技术和数据结构,并积极参与算法社区,分享你的经验和知识。 总之,设计出优秀的算法需要深刻的理解问题、熟练掌握数据结构和算法分析,以及不断的实践和反思。同时,与其他算法设计者和研究者保持沟通,分享经验,共同推动算法设计的进步。 这道题要求讨论如何设计出优秀的算法。算法设计是https://easylearn.baidu.com/edu-page/tiangong/questiondetail?id=1813192804582657431&fr=search
2.算法设计与分析(第3版)课后答案《算法设计与分析》是计算机科学领域的一本经典教材,主要涵盖了如何设计高效算法以及如何对这些算法进行分析。在本书的第三版中,作者王晓东深入浅出地讲解了算法设计的基础理论和实践技巧,并提供了详尽的习题解析,帮助读者巩固所学知识。以下是基于这个主题和提供的文件名“算法设计与分析习题答案”所涵盖的一些关键知识https://download.csdn.net/download/dyufei/1498280
3.趣学算法(第2版)本书实例丰富、通俗易懂,以大量图解展示算法的求解过程,重点讲解遇到实际问题如何分析和设计算法,讲解方式富有启发性,有利于激发学生的学习兴趣和创新潜能。书中汇集了作者根据多年教学实践总结出的各种算法的解题技巧并对知识进行了优化拓展。读者阅读时既能掌握解题的方法,又拓宽了视野,有利于培养其逻辑思维能力,为解决https://www.epubit.com/bookDetails?id=UB7d85fa69dcbd8
4.腾讯Offer已拿,这99道算法高频面试题别漏了,80%都败在算法上3. 如何对类别变量进行独热编码? 4. 如何把“年龄”字段按照我们的阈值分段? 5. 如何根据变量相关性画出热力图? 6. 如何把分布修正为类正态分布? 7. 怎么简单使用PCA来划分数据且可视化呢? 8. 怎么简单使用LDA来划分数据且可视化呢? 深度学习类: https://maimai.cn/article/detail?fid=1699482551&efid=WqEcULyCOsAoPWgBSGGaFg
5.2021届计算机科学方向毕业设计(论文)阶段性汇报在这其中所遇到的挑战有如何支持多种的语义表征任务,如何对每个实体动态的弹出实体创建菜单,以及一些网页格式问题等。 万梓煜 多智能体强化学习的实现 本次阶段性汇报主要介绍多智能体强化学习框架MALib的设计与完成情况,以及针对目前的研究内容实现的功能。其次介绍在当前框架上部分强化学习算法的复现情况以及遇到的https://zhiyuan.sjtu.edu.cn/html/zhiyuan/announcement_view.php?id=3943
6.人工智能快速发展趋势下,中国该如何应对?1、AI芯片针对机器学习算法设计开发,广泛应用于云、边、端各类场景 AI芯片(AI Chip)是一种专门用于处理人工智能相关的计算任务的芯片。它的架构是专门为人工智能算法和应用进行优化的,能够高效地处理大量结构化和非结构化数据。AI芯片能够高效地支持视觉、语音、自然语言处理等智能处理任务。目前,AI芯片主要分为GPU、https://developer.aliyun.com/article/1179745
7.路径规划中的DRL与OR算法:对比与展望引入机器学习的期望之一就是提高其泛化能力,即训练完的模型可以有效地应用于未曾见过的问题实例。为了提高泛化能力,对于图这种非欧几里得数据来说,通过图嵌入(Graph embedding)来抽取数据中的有效特征,通过低维的向量来表征图的节点及拓扑结构等信息,再作为后面机器学习算法的输入。而图神经网络(Graph neural network,GNNhttps://www.51cto.com/article/757803.html
8.《面向算法设计的数据结构》之前世今生算法应用 我们考虑展示更多数据结构在算法中的应用, 特别是引入高效数据结构之后算法性能发生显著变化的实例. 只有通过这些实实在在的例子, 才能让学习者感受到数据结构之妙. 事实上, 写作本书的目的也是为了配合后续进阶算法课程的需要, 希望能让这本书成为学习《算法导论》和《算法设计》的一个良好铺垫, 能让大家https://www.jianshu.com/p/25887f595ca4
9.Creator面对面几何深度学习的算法设计和数学理论机器之心Creator 面对面 | 几何深度学习的算法设计和数学理论 2016年,Yann LeCun 等人在 《Geometric deep learning: going beyond Euclidean data》一文中提出几何深度学习这一概念。现今几何机器学习和基于图的机器学习已经是当前最热门的研究课题之一。 2022 年 1 月,上海交通大学自然科学研究院、数学科学学院副教授王宇光https://www.jiqizhixin.com/articles/2022-07-20-7
10.《自然》:科学家首次基于深度学习算法,从头设计出自然界不存在的酶虽然蛋白结构预测方面有了RoseTTAFold、AlphaFold 2等人工智能算法的相助,但要想实现从头设计全新蛋白质,仍然是个费时费力的艰巨任务。目前,即使是借助机器学习算法,蛋白质设计也主要是把自然界中现有的蛋白质拿来改造,以进行优化或获得特定功能,而非真正地设计并创造一个全新的蛋白质。 https://www.thepaper.cn/newsDetail_forward_22260238
11.第6课《猜数字算法设计》(学案)六年级上册信息科技浙教版.pdf第6课《猜数字算法设计》(学案)六年级上册信息科技浙教版.pdf,六年级第一单元第 6 课《猜数字算法设计》学案 一、学习内容 《猜数字算法设计》选自浙江教育2023 版信息科技六年级上册第一单元第 6 课。通过本单元 的学习,本节课旨在让学生分析猜数字大小的问题,提取关键https://m.book118.com/html/2023/0929/5210031034010334.shtm
12.基于深度强化学习的水面无人艇路径跟踪方法因此,如何设计一种能够提高无人艇路径跟踪控制稳定性和准确性的方法是亟需解决的技术问题。 技术实现要素: 6.针对上述现有技术的不足,本发明所要解决的技术问题是:如何提供一种基于深度强化学习的水面无人艇路径跟踪方法,无需进行环境和无人艇运动建模并且具备自适应能力,从而能够进一步提高无人艇路径跟踪控制的稳定https://www.xjishu.com/zhuanli/54/202210772926.html/
13.AAAI2020强化学习玩王者荣耀腾讯云开发者社区算法设计 Reinforcement Learning用的还是熟悉的actor-critic网络,具体如下图所示: 状态设计:如上图;将图像特征fi,向量特征fu和游戏状态信息fg(可观察到的游戏状态)分别通过卷积层、最大池化层和全连接层编码。LSTM输出动作按钮和移动方向。 动作解耦:认为动作之间独立,目标为最终几个策略累积奖励之和; https://cloud.tencent.com/developer/article/2119379
14.科学网—[转载]基于容器云技术的典型遥感智能解译算法集成模型开发根据预先设计的深度学习算法,基于深度学习框架,进行智能解译算法的代码编写和镜像构建。其基本流程如图8所示,具体如下。 图8 模型开发流程 (1)从私有仓库或开源仓库使用Docker pull操作获取所需的基础环境镜像。基于基础环境镜像,添加OpenCV、GDAL、SciPy等Python包。对基础镜像统一设置SSH登录端口,以便后期调试https://blog.sciencenet.cn/blog-3472670-1339282.html
15.AI深度强化学习落地方法七步曲2——状态空间篇回报函数篇针对稀疏回报问题,学术界提出了很多方法,比如通过鼓励agent探索未见过的状态,提高正样本利用率,或者干脆用遗传算法或进化策略代替RL学习policy网络。这些方法不在本篇的讨论范围内,我们关心的是如何通过reward设计本身来规避稀疏回报问题,并尽可能提高训练效率和最终性能。 https://www.shangyexinzhi.com/article/4228946.html
16.《算法设计与分析基础(C++版)学习和实验指导》(李春葆陈良臣当当网图书频道在线销售正版《算法设计与分析基础(C++版)学习和实验指导》,作者:李春葆、陈良臣、喻丹丹,出版社:清华大学出版社。最新《算法设计与分析基础(C++版)学习和实验指导》简介、书评、试读、价格、图片等相关信息,尽在DangDang.com,网购《算法设计与分析http://product.dangdang.com/29583939.html