[论文解读] Quantifying Creativity in Art Networks

Ahmed Elgammal, Babak Saleh|arXiv (Cornell University)|Jun 2, 2015

Aesthetic Perception and Analysis参考文献 10被引用 50

一句话总结

本文提出了一套计算框架，通过将艺术作品基于视觉相似性建模为网络中的节点，再利用网络中心性对原创性和影响力进行推断，从而量化艺术中的创造力。该方法经由‘时间机器实验’验证，与艺术史共识高度一致，显示当绘画被人为重新设定时间时，创造力评分的预期变化符合历史认知。

ABSTRACT

Can we develop a computer algorithm that assesses the creativity of a painting given its context within art history? This paper proposes a novel computational framework for assessing the creativity of creative products, such as paintings, sculptures, poetry, etc. We use the most common definition of creativity, which emphasizes the originality of the product and its influential value. The proposed computational framework is based on constructing a network between creative products and using this network to infer about the originality and influence of its nodes. Through a series of transformations, we construct a Creativity Implication Network. We show that inference about creativity in this network reduces to a variant of network centrality problems which can be solved efficiently. We apply the proposed framework to the task of quantifying creativity of paintings (and sculptures). We experimented on two datasets with over 62K paintings to illustrate the behavior of the proposed framework. We also propose a methodology for quantitatively validating the results of the proposed algorithm, which we call the "time machine experiment".

研究动机与目标

• 开发一种计算框架，基于原创性和影响力，客观评估绘画和雕塑等艺术作品的创造力。
• 针对缺乏真实标签时创造力评估难以验证的挑战，提出一种新颖的‘时间机器实验’方法论。
• 实现无需艺术史先验知识的自动化、数据驱动的创造力评分，仅依赖视觉特征和时间元数据。
• 证明该框架可在不依赖艺术概念标签的情况下，识别出艺术史公认的创新作品。

提出的方法

• 利用计算机视觉技术，基于视觉相似性构建艺术作品网络，以量化颜色、形式和纹理等艺术概念。
• 通过一系列数学运算，将视觉相似性网络转换为‘创造力隐含网络’，以突出原创性和影响力。
• 将创造力评估问题建模为网络中心性的一种变体，可通过PageRank或特征向量中心性等高效算法求解。
• 将该框架应用于两个大型数据集，包含超过6.2万幅绘画，仅使用图像特征和创作日期作为输入。
• 通过‘时间机器实验’验证结果，即人为重新分配绘画的创作时间，并测量创造力评分的变化。
• 通过统计分析评分变化（增益/损失）以及创造力得分提升的绘画占比，评估算法的一致性。

实验结果

研究问题

• RQ1 能否仅基于视觉和时间数据，通过计算框架客观量化艺术作品的原创性和影响力？
• RQ2 在缺乏真实标签数据的情况下，如何验证创造力评估结果？
• RQ3 当艺术作品被人为重新设定至不同历史时期时，创造力评分是否朝预期方向变化？
• RQ4 该框架在多大程度上能识别出艺术史学家认为具有创新性和影响力的艺术作品？

主要发现

• 印象派、后印象派、表现主义和立体派绘画在被移回1600年时，创造力评分显著上升，表明其具有高度原创性。
• 新古典主义和浪漫派绘画在被移回1600年时得分增益极小，与其历史渊源早期风格的特征一致。
• 文艺复兴和巴洛克时期绘画在被移至1900年时，创造力评分明显下降，反映出其历史语境及在后期时期的新颖性降低。
• 该算法在多次运行中均表现出一致且可解释的结果，时间机器实验中平均得分变化显著，且具有高度统计显著性。
• 该框架在未掌握艺术史或艺术概念先验知识的情况下，成功识别出艺术史上公认的创新作品。
• 通过定量验证，该方法展现出稳健性与有效性，证明创造力评分的变化方向与艺术史对艺术创新的理解一致。