Abstract
Diese Masterarbeit untersucht die Hybridisierung von Evolutionary- und NeuralComputing zur Weiterentwicklung des Bereichs der digitalen Kunst und Bildgenerierung
unter Verwendung moderner generativer Netzwerke, insbesondere Diffusion Models.
Die Arbeit führt ein vielseitiges Framework ein, das speziell dafür entwickelt wurde,
verschiedene generative Netzwerke und Fitness-Evaluatoren zu unterstützen. Es
unterscheidet sich von traditionellen Ansätzen des Evolutionary Computing, indem es
die Eingabeargumente effektiv von den Ausgaben separiert und ein generatives Netzwerk in den Kern des Prozesses stellt.
Ein zentraler Aspekt dieser Arbeit ist die praktische Implementierung des
Frameworks unter Verwendung von Stable Diffusion-Modellen. Im Gegensatz zu herkömmlichen Methoden, die sich auf Prompt-Strings konzentrieren, betont diese
Arbeit die Optimierung im Raum der Prompt-Embeddings und führt einen neuartigen
Ansatz ein. Die Bewertung erfolgt anhand mehrerer Fitnesskriterien, einschließlich des
LAION-Aesthetic Predictor V2, CLIPScore, CLIP-IQA und AI-Detection. Das Ziel
dieser Arbeit geht über eine einfache Optimierung hinaus und umfasst die Erforschung
verschiedener Bildstile und künstlerischer Ausdrucksformen in Szenarien der Einzelund Mehrzieloptimierung. Dies wird weiter durch die Verwendung des Insel-Modells
bereichert, einem Konzept aus dem Evolutionary Computing, um eine anspruchsvolle
Evolution von Bildstilen zu ermöglichen.
Die Ergebnisse dieser Arbeit zeigen, dass die Optimierung mit evolutionären
Algorithmen im Raum der Prompt-Embeddings die ästhetische Qualität laut dem
Predictor V2 effektiv verbessert. Es wurden sowohl höhere als auch niedrigere ästhetische Bewertungen im Vergleich zu echten Bildern aus dem LAION-Subdatensatz
erzielt. Die Arbeit zeigt auch erfolgreich Stilübergänge mit CLIPScore und optimiert
spezifische Bildqualitäten mit CLIP-IQA, wobei gleichzeitig bis zu neun Kriterien
behandelt werden. Bemerkenswerterweise zeigt die Arbeit auch, dass es möglich ist, die
Erkennbarkeit durch ein KI-Erkennungssystem signifikant zu reduzieren, von nahezu
100% auf fast null.
Diese Arbeit leistet einen Beitrag zum Feld des Hybrid Evolutionary and Neural
Computing, insbesondere innerhalb der computergestützten Kunst. Sie veranschaulicht,
wie fortschrittliche maschinelle Lerntechniken für künstlerische Kreationen und
Bildoptimierung angepasst werden können. Sie legt ein solides Fundament für zukünftige
interdisziplinäre Forschungen und verspricht spannende neue Entwicklungen im Bereich
der evolutionären generativen Kunst und Bildgenerierung.
| Datum der Bewilligung | 2024 |
|---|---|
| Originalsprache | Englisch (Amerika) |
| Betreuer/-in | Michael Affenzeller (Betreuer*in) |