{"id":6537,"date":"2025-03-25T06:28:02","date_gmt":"2025-03-25T06:28:02","guid":{"rendered":"https:\/\/architeles.eu\/ethics\/?p=6537"},"modified":"2025-03-25T08:50:19","modified_gmt":"2025-03-25T08:50:19","slug":"rekonstrukcja-stylow-malarskich-przy-uzyciu-uczenia-maszynowego-jak-ai-potrafi-analizowac-i-generowac-obrazy-inspirowane-technikami-mistrzow-od-rembrandta-po-beksinskiego","status":"publish","type":"post","link":"https:\/\/architeles.eu\/ethics\/index.php\/2025\/03\/25\/rekonstrukcja-stylow-malarskich-przy-uzyciu-uczenia-maszynowego-jak-ai-potrafi-analizowac-i-generowac-obrazy-inspirowane-technikami-mistrzow-od-rembrandta-po-beksinskiego\/","title":{"rendered":"Rekonstrukcja styl\u00f3w malarskich przy u\u017cyciu uczenia maszynowego – jak AI potrafi analizowa\u0107 i generowa\u0107 obrazy inspirowane technikami mistrz\u00f3w, od Rembrandta po Beksi\u0144skiego"},"content":{"rendered":"

Co czyni sztuk\u0119 sztuk\u0105? Intencja? Emocja? A mo\u017ce tylko spos\u00f3b, w jaki j\u0105 odbieramy? Gdy algorytmy ucz\u0105 si\u0119 kszta\u0142towa\u0107 form\u0119 i na\u015bladowa\u0107 ludzk\u0105 wra\u017cliwo\u015b\u0107, pytania o granice tw\u00f3rczo\u015bci staj\u0105 si\u0119 nieuniknione. Dzi\u0119ki technikom uczenia maszynowego mo\u017cliwe staje si\u0119 odtwarzanie styl\u00f3w malarskich, analiza dzie\u0142 i generowanie obraz\u00f3w, kt\u00f3re przypominaj\u0105 prace prawdziwych mistrz\u00f3w.<\/strong><\/p>\n

<\/p>\n

Przez stulecia sztuka malarska by\u0142a postrzegana jako domena cz\u0142owieka – przestrze\u0144, w kt\u00f3rej wyobra\u017ania i w\u0142asne prze\u017cycia stanowi\u0105 fundament procesu tw\u00f3rczego. Za po\u015brednictwem tradycyjnych narz\u0119dzi arty\u015bci tacy jak Rembrandt, Vincent van Gogh, czy Zdzis\u0142aw Beksi\u0144ski kszta\u0142towali histori\u0119 estetyki, pozostawiaj\u0105c po sobie dziedzictwo styl\u00f3w i form wyrazu. Dzi\u015b jednak sztuczna inteligencja (AI) wychodzi poza proste analizy statystyczne i wkracza na obszar ekspresji artystycznej.<\/p>\n

W ostatnich latach rozw\u00f3j metod g\u0142\u0119bokiego uczenia, zw\u0142aszcza konwolucyjnych sieci neuronowych (CNN), umo\u017cliwi\u0142 tworzenie modeli zdolnych nie tylko do zrozumienia techniki, ale tak\u017ce do generowania obraz\u00f3w imituj\u0105cych konkretne style malarskie. Jednym z najbardziej znanych sposob\u00f3w na osi\u0105gni\u0119cie tego efektu jest tzw. \u201estyle transfer\u201d (przenoszenie stylu), kt\u00f3ry polega na rozdzieleniu obrazu na warstw\u0119 tre\u015bci (np. kszta\u0142ty i kompozycj\u0119) oraz warstw\u0119 stylu (kolorystyka, faktura, poci\u0105gni\u0119cia p\u0119dzla), a nast\u0119pnie ich rekombinacji w now\u0105 form\u0119 zawieraj\u0105c\u0105 cechy obu obraz\u00f3w.<\/p>\n

Styl, sztuka i maszyny – kr\u00f3tka historia<\/h1>\n

Badania nad automatycznym przenoszeniem stylu malarskiego z jednego obrazu na inny nabra\u0142y tempa wraz z rozwojem metod g\u0142\u0119bokiego uczenia, w szczeg\u00f3lno\u015bci konwolucyjnych sieci neuronowych, kt\u00f3re doskonale sprawdzaj\u0105 si\u0119 w przetwarzaniu obraz\u00f3w. Punktem prze\u0142omowym by\u0142a praca Gatysa, Eckera i Bethge\u2019a (2015), w kt\u00f3rej naukowcy wykazali, \u017ce sie\u0107 neuronowa mo\u017ce \u201enauczy\u0107 si\u0119\u201d rozdziela\u0107 cechy tre\u015bciowe i stylistyczne obrazu.<\/p>\n

Z technicznego punktu widzenia, transfer stylu polega na przetworzeniu dw\u00f3ch obraz\u00f3w: jednego, kt\u00f3ry zawiera tre\u015b\u0107 (np. zdj\u0119cie miasta), oraz drugiego, kt\u00f3ry dostarcza stylu (np. obraz olejny z charakterystycznymi poci\u0105gni\u0119ciami p\u0119dzla). Sie\u0107 analizuje oba obrazy na r\u00f3\u017cnych poziomach abstrakcji. Tre\u015b\u0107 obrazu reprezentowana jest przez aktywacje z \u015brodkowych warstw sieci, kt\u00f3re \u201erozpoznaj\u0105\u201d struktur\u0119, kompozycj\u0119 i formy. Styl natomiast jest opisywany poprzez macierze Grama, czyli autokorelacje pomi\u0119dzy aktywacjami filtr\u00f3w w zar\u00f3wno ni\u017cszych, jak i wy\u017cszych warstwach.<\/p>\n

\"Przyk\u0142ad
Przyk\u0142ad stylizacji obrazu metod\u0105 Gatysa. Leon A. Gatys, Alexander S. Ecker, & Matthias Bethge. (2015). A Neural Algorithm of Artistic Style. Obraz u\u017cyty w celach edukacyjnych.<\/figcaption><\/figure>\n

Te macierze mierz\u0105, jak silnie r\u00f3\u017cne cechy (np. tekstury, kolory, lokalne wzory) wsp\u00f3\u0142wyst\u0119puj\u0105 w danym obrazie. W uproszczeniu – to nie konkretna linia czy kolor definiuje styl, ale spos\u00f3b, w jaki r\u00f3\u017cne cechy \u201erozmawiaj\u0105\u201d ze sob\u0105 w przestrzeni obrazu. Ta relacja mi\u0119dzy filtrami jest matematycznym odwzorowaniem charakterystycznej atmosfery obrazu: jego poci\u0105gni\u0119\u0107 p\u0119dzla, ziarnisto\u015bci, rozmy\u0107 czy kontrast\u00f3w.<\/p>\n

 <\/p>\n

\"Schemat<\/a>
Schemat blokowy przenoszenia stylu By Zhang, Aston and Lipton, Zachary C. and Li, Mu and Smola, Alexander J. – https:\/\/github.com\/d2l-ai\/d2l-en, CC BY-SA 4.0, https:\/\/commons.wikimedia.org\/w\/index.php?curid=152265662 Obraz u\u017cyty w celach edukacyjnych.<\/figcaption><\/figure>\n

Na podstawie tych danych tworzony jest nowy obraz, kt\u00f3ry zachowuje tre\u015b\u0107 zdj\u0119cia, ale odwzorowuje wsp\u00f3\u0142zale\u017cno\u015bci charakterystyczne dla stylu drugiego obrazu. Proces ten opiera si\u0119 na optymalizacji – sie\u0107 stopniowo modyfikuje obraz wyj\u015bciowy tak, aby jego \u201ecechy stylu\u201d (czyli korelacje) upodobni\u0142y si\u0119 do orygina\u0142u, przy jednoczesnym zachowaniu tre\u015bci.<\/p>\n

Cho\u0107 koncepcja wydaje si\u0119 skomplikowana, efekty tej techniki sta\u0142y si\u0119 szybko dost\u0119pne w aplikacjach i narz\u0119dziach online, kt\u00f3re umo\u017cliwiaj\u0105 u\u017cytkownikom tworzenie stylizowanych obraz\u00f3w w ci\u0105gu kilku sekund. Co istotne, oryginalna metoda Gatysa nie wymaga\u0142a trenowania nowej sieci neuronowej dla ka\u017cdego stylu. Zamiast tego wykorzystywa\u0142a ju\u017c istniej\u0105c\u0105, pretrenowan\u0105 sie\u0107 VGG-19, kt\u00f3ra pierwotnie zosta\u0142a zaprojektowana do klasyfikacji obraz\u00f3w – rozpoznawania obiekt\u00f3w na zdj\u0119ciach.<\/p>\n

\"Wyniki
Wyniki stylizacji obrazu metod\u0105 Gatysa. Leon A. Gatys, Alexander S. Ecker, & Matthias Bethge. (2015). A Neural Algorithm of Artistic Style. Obraz u\u017cyty w celach edukacyjnych.<\/figcaption><\/figure>\n

To, \u017ce sie\u0107 stworzona do zupe\u0142nie innego zadania mog\u0142a pos\u0142u\u017cy\u0107 do wydobywania cech stylu i tre\u015bci, pokaza\u0142o uniwersalno\u015b\u0107 g\u0142\u0119bokich reprezentacji w konwolucyjnych sieciach neuronowych. Styl mo\u017cna by\u0142o \u201epobra\u0107\u201d z dowolnego obrazu i zastosowa\u0107 go do innej tre\u015bci bez potrzeby uczenia nowego modelu, co czyni\u0142o t\u0119 metod\u0119 wyj\u0105tkowo elastyczn\u0105, dost\u0119pn\u0105 i \u0142atw\u0105 do eksperymentowania – zar\u00f3wno dla badaczy, jak i entuzjast\u00f3w cyfrowej sztuki.<\/p>\n

W kolejnych latach spo\u0142eczno\u015b\u0107 naukowa nie tylko rozwija\u0142a koncepcj\u0119 przenoszenia styl\u00f3w, ale r\u00f3wnie\u017c poszukiwa\u0142a sposob\u00f3w, by uczyni\u0107 ca\u0142y proces bardziej wydajnym. Metoda zaproponowana przez Johnson, Alahi i Fei-Fei (2016) zrewolucjonizowa\u0142a podej\u015bcie, przy\u015bpieszaj\u0105c proces transferu stylu. Zamiast ka\u017cdorazowo optymalizowa\u0107 nowy obraz (jak u Gatysa), naukowcy zaproponowali trenowanie osobnej sieci neuronowej dla ka\u017cdego konkretnego stylu. Dzi\u0119ki temu proces generowania nowego obrazu ogranicza\u0142 si\u0119 do jednego przej\u015bcia danych przez sie\u0107 (tzw. forward pass<\/em>), co umo\u017cliwi\u0142o tworzenie stylizowanych obraz\u00f3w w czasie rzeczywistym – nawet na urz\u0105dzeniach mobilnych.<\/p>\n

Ta zmiana otworzy\u0142a drog\u0119 do praktycznych zastosowa\u0144: od aplikacji artystycznych po filtry w mediach spo\u0142eczno\u015bciowych. Minusem by\u0142o ograniczenie elastyczno\u015bci – ka\u017cda sie\u0107 dzia\u0142a\u0142a tylko dla jednego stylu, wi\u0119c aby stworzy\u0107 obrazy w nowej estetyce, nale\u017ca\u0142o wytrenowa\u0107 osobny model.<\/p>\n

Dynamiczny rozw\u00f3j metod stylizacji obrazu pokazuje, \u017ce sztuczna inteligencja potrafi nie tylko odwzorowywa\u0107, ale wr\u0119cz tworzy\u0107 obrazy o wyra\u017anych cechach estetycznych, cz\u0119sto trudnych do odr\u00f3\u017cnienia od dzie\u0142 ludzkich artyst\u00f3w. Wraz z t\u0105 zdolno\u015bci\u0105 pojawia si\u0119 jednak pytanie o charakter i jako\u015b\u0107 takiej tw\u00f3rczo\u015bci. Czy mamy do czynienia z now\u0105 form\u0105 sztuki – czy raczej z jej zaawansowan\u0105 imitacj\u0105?<\/p>\n

Analiza problemu: \u201eSztuka\u201d czy symulacja sztuki?<\/h1>\n

Dzisiejsze narz\u0119dzia oparte na sztucznej inteligencji s\u0105 w stanie tworzy\u0107 obrazy niemal do z\u0142udzenia przypominaj\u0105ce dzie\u0142a najwybitniejszych autor\u00f3w. Powstaj\u0105 zatem zasadnicze pytania: czy taka \u201eautomatyczna\u201d produkcja sztuki jest w og\u00f3le tw\u00f3rcza i czy mo\u017cna j\u0105 uzna\u0107 za now\u0105 form\u0119 ekspresji?<\/p>\n

Z jednej strony, AI nie do\u015bwiadcza \u015bwiata tak, jak cz\u0142owiek. Nie prze\u017cywa emocji, kt\u00f3re kieruj\u0105 r\u0119k\u0105 artysty w trakcie malowania. Z drugiej strony, argument o \u201eoryginalno\u015bci\u201d cz\u0142owieka jako tw\u00f3rcy r\u00f3wnie\u017c nie jest bezdyskusyjny. Proces przetwarzania bod\u017ac\u00f3w wzrokowych w m\u00f3zgu oraz kszta\u0142towanie si\u0119 indywidualnego stylu to tak\u017ce \u201esystem\u201d, oparty na strukturach neuronowych, kt\u00f3re – analogicznie do sieci sztucznej – analizuj\u0105 i przetwarzaj\u0105 dane.<\/p>\n

Wielu badaczy wskazuje, \u017ce AI w praktyce mo\u017ce spe\u0142nia\u0107 funkcj\u0119 katalizatora nowych idei. Podczas gdy artysta wybiera styl, motyw, zestaw farb, w systemach uczenia maszynowego dokonuje si\u0119 selekcja wzorc\u00f3w i cech graficznych, kt\u00f3re nadaj\u0105 kompozycji niepowtarzalnego charakteru. Istnieje tu element zaskoczenia, nieprzewidywalno\u015bci, a nawet b\u0142\u0119du, kt\u00f3ry mo\u017ce skutkowa\u0107 powstaniem prawdziwie unikatowego dzie\u0142a, wyrastaj\u0105cego ponad proste kopiowanie.<\/p>\n

Krytyczne spojrzenie na warto\u015b\u0107 \u201enowej sztuki\u201d<\/h1>\n

Od strony stricte artystycznej, wiele os\u00f3b pozostaje sceptycznych wobec tw\u00f3rczo\u015bci generowanej przez AI. Padaj\u0105 argumenty, \u017ce algorytmy nie maj\u0105 duszy, nie maj\u0105 te\u017c osobistego celu, nie przetwarzaj\u0105 realnych emocji – a sztuka to w du\u017cej mierze no\u015bnik prze\u017cy\u0107. Mo\u017cna r\u00f3wnie\u017c spotka\u0107 si\u0119 z opini\u0105, \u017ce generatory stylu po prostu \u201ewy\u0142uskuj\u0105\u201d powtarzalne wzory, a wi\u0119c w pewnym sensie kalkuj\u0105 to, co ju\u017c istnieje.<\/p>\n

Z drugiej jednak strony, systemy takie jak Creative Adversarial Networks (Elgammal, Liu, Elhoseiny & Mazzone, 2017) potrafi\u0105 tworzy\u0107 obrazy, kt\u00f3re wykraczaj\u0105 poza ramy styl\u00f3w zdefiniowanych przez cz\u0142owieka. W przeciwie\u0144stwie do klasycznych modeli generatywnych, kt\u00f3re pr\u00f3buj\u0105 na\u015bladowa\u0107 okre\u015blony styl (np. impresjonizm czy surrealizm), CAN zosta\u0142y zaprojektowane tak, by \u015bwiadomie \u201ezbacza\u0107\u201d ze znanych szlak\u00f3w. Ich architektura opiera si\u0119 na klasycznym uk\u0142adzie GAN (Generative Adversarial Network), w kt\u00f3rym dwa modele – generator i dyskryminator – wsp\u00f3\u0142zawodnicz\u0105 ze sob\u0105: jeden tworzy obrazy, drugi ocenia ich jako\u015b\u0107.<\/p>\n

W przypadku CAN dyskryminator nie tylko ocenia, czy wygenerowany obraz wygl\u0105da jak dzie\u0142o sztuki, ale r\u00f3wnie\u017c klasyfikuje go wed\u0142ug stylu (np. barok, ekspresjonizm, pop-art). Zadaniem generatora jest zatem stworzenie obrazu, kt\u00f3ry zostanie uznany za \u201esztuk\u0119\u201d, ale kt\u00f3rego styl nie b\u0119dzie \u0142atwy do jednoznacznego sklasyfikowania. Innymi s\u0142owy – system uczy si\u0119 produkowa\u0107 co\u015b, co wygl\u0105da artystycznie, ale jednocze\u015bnie wprowadza innowacj\u0119 stylistyczn\u0105.<\/p>\n

To podej\u015bcie mo\u017cna rozumie\u0107 jako pr\u00f3b\u0119 symulacji procesu tw\u00f3rczego, w kt\u00f3rym artysta nie powiela tego, co znane, lecz \u015bwiadomie poszukuje nowego j\u0119zyka wizualnego. AI mo\u017ce na przyk\u0142ad \u0142\u0105czy\u0107 elementy charakterystyczne dla Beksi\u0144skiego, Goyi i sztuki street artu, tworz\u0105c now\u0105, hybrydow\u0105 form\u0119 ekspresji. Takie zestawienia nie wynikaj\u0105 z zaprogramowanego schematu, lecz z wewn\u0119trznej logiki modelu, kt\u00f3ry \u201euczy si\u0119\u201d, \u017ce warto eksperymentowa\u0107, by zaskakiwa\u0107 odbiorc\u0119.<\/p>\n

Je\u015bli celem sztuki jest zadawanie pyta\u0144, prowokowanie, prze\u0142amywanie schemat\u00f3w czy proponowanie nieoczywistych rozwi\u0105za\u0144 wizualnych – to czy AI, ucz\u0105ca si\u0119 przez kontestowanie znanych styl\u00f3w, nie wpisuje si\u0119 w t\u0119 definicj\u0119 r\u00f3wnie dobrze jak cz\u0142owiek?<\/p>\n

Spo\u0142eczne i etyczne dylematy<\/h1>\n

Czy generowanie obraz\u00f3w w stylu konkretnego artysty jest r\u00f3wnoznaczne z naruszeniem jego praw autorskich? Kwestia ta jest szczeg\u00f3lnie z\u0142o\u017cona w przypadku artyst\u00f3w wsp\u00f3\u0142czesnych i \u017cyj\u0105cych, gdzie przenoszenie stylu mo\u017ce prowadzi\u0107 do de facto podszywania si\u0119 pod czyj\u015b autorski i rozpoznawalny warsztat. Cho\u0107 w wielu systemach prawnych styl nie jest chroniony tak, jak sam utw\u00f3r, to jednak wra\u017cliwo\u015b\u0107 etyczna nakazuje ostro\u017cno\u015b\u0107.<\/p>\n

Skoro kopiowanie stylu mo\u017ce wp\u0142ywa\u0107 na dochody artyst\u00f3w, a obecne prawo nie przewiduje ochrony dla samego \u201ewarsztatu\u201d, pojawia si\u0119 potrzeba nowych mechanizm\u00f3w rekompensaty. Inspiracj\u0105 mog\u0105 by\u0107 tu istniej\u0105ce ju\u017c rozwi\u0105zania, takie jak op\u0142ata reprograficzna – forma odszkodowania dla tw\u00f3rc\u00f3w, kt\u00f3ra uwzgl\u0119dnia mo\u017cliwo\u015b\u0107 legalnego kopiowania ich dzie\u0142 (np. poprzez kserowanie ksi\u0105\u017cek czy zapisywanie plik\u00f3w na no\u015bnikach). W podobny spos\u00f3b mog\u0142aby funkcjonowa\u0107 op\u0142ata \u201esztucznointeligencyjna\u201d – niewielki narzut na narz\u0119dzia generatywne lub komercyjne modele AI, z kt\u00f3rego finansowano by fundusz dla artyst\u00f3w, kt\u00f3rych styl jest wykorzystywany.<\/p>\n

Potrzeba takiej rekompensaty staje si\u0119 szczeg\u00f3lnie widoczna w kontek\u015bcie masowej produkcji obraz\u00f3w przez AI. Nadprodukcja dzie\u0142 generowanych algorytmicznie mo\u017ce prowadzi\u0107 do realnego spadku warto\u015bci rynkowej orygina\u0142\u00f3w, zw\u0142aszcza w sektorze ilustracji cyfrowej, plakat\u00f3w czy grafik u\u017cytkowych. Niekt\u00f3rzy komentatorzy m\u00f3wi\u0105 wr\u0119cz o \u201einflacji sztuki\u201d – je\u015bli w kilka minut mo\u017cna wygenerowa\u0107 setki stylizowanych prac \u201ew duchu Van Gogha\u201d czy \u201einspirowanych Beksi\u0144skim\u201d, to nieuchronnie prowadzi to do dewaluacji zar\u00f3wno samego aktu tworzenia, jak i warto\u015bci kolekcjonerskiej dzie\u0142.<\/p>\n

Zastosowanie sztucznej inteligencji w sztuce nie ogranicza si\u0119 wy\u0142\u0105cznie do przenoszenia styl\u00f3w malarskich. Algorytmy uczenia maszynowego znajduj\u0105 r\u00f3wnie\u017c zastosowanie w rekonstrukcji zniszczonych dzie\u0142 oraz w ochronie i odtwarzaniu technik artystycznych, kt\u00f3re z biegiem lat zanik\u0142y. W wielu muzeach na \u015bwiecie prowadzone s\u0105 projekty badawcze, kt\u00f3re wykorzystuj\u0105 sieci neuronowe do automatycznej \u201enaprawy\u201d ubytk\u00f3w w p\u0142\u00f3tnie, odtwarzania brakuj\u0105cych fragment\u00f3w fresk\u00f3w czy przywracania oryginalnej kolorystyki zniszczonych obraz\u00f3w. Modele te ucz\u0105 si\u0119 na bazie setek lub tysi\u0119cy dzie\u0142 z danej epoki, pozwalaj\u0105c konserwatorom uzyska\u0107 wgl\u0105d w to, jak mog\u0142o wygl\u0105da\u0107 dzie\u0142o w chwili powstania.<\/p>\n