Separate and Reassemble: Generative AI through the lens of art and media histories
DOI :
https://doi.org/10.11606/issn.1982-8160.v18i2p7-18Mots-clés :
AI image generation, digital media, neural networks, computer graphics, generative AIRésumé
AI image generation represents a logical evolution from early digital media algorithms, starting with basic paint programs in the 1970s and advancing to sophisticated 3D graphics and media creation software by the 1990s. Early algorithms struggled to simulate materials and effects, but advances in the 1970s and 1980s led to realistic simulations of natural phenomena and artistic techniques. Generative AI continues this trend, using neural networks to combine and interpolate visual patterns from extensive datasets. This method of digital media creation underscores the modular and discrete nature of computer-generated imagery, distinguishing it from traditional optical media.
##plugins.themes.default.displayStats.downloads##
Références
ACM SIGGRAPH. (2022). SIGGRAPH ‘22: ACM SIGGRAPH 2022 Conference Proceedings.
Barla, N. (2024, May 14). How to visualize deep learning models. Neptune.ai. https://neptune.ai/blog/deep-learning-visualization.
Bokov, A. (2014). VKhUTEMAS training. Pavilion of the Russian Federation at the 14th International Architecture Exhibition.
Bokov, A. (2021). Avant-garde as method: Vkhutemas and the pedagogy of space, 1920-1930. Park Books.
Corel Painter. (2024, July 5). In Wikipedia. https://en.wikipedia.org/wiki/Corel_Painter.
Manovich, L. (1992). Assembling reality: Myths of computer graphics. Afterimage, 20(2), 12-14.
Manovich, L. (2002). The language of new media. MIT press.
Manovich, L. (2013). Software takes command. Bloomsbury Academic.
Manovich, L. (2018). AI aesthetics. Strelka Press.
Mitchell, W. J. (1996). City of bits: Space, place, and the Infobahn. MIT press.
Olah, C., Mordvintsev, A., & Schubert, L. (2017, November 7). Feature visualization: How neural networks build up their understanding of images. Distill. https://doi.org/10.23915/distill.00007.
Podell, D., English, Z., Lacey, K., Blattmann, A., Dockhorn, T., Müller, J., Penna, J., & Rombach, R. (2023). SDXL: Improving latent diffusion models for high-resolution image synthesis. arXiv. https://arxiv.org/abs/2307.01952.
Smith, A. R. (2001). Digital paint systems: An anecdotal and historical overview. IEEE Annals of the History of Computing, 23(2), 4-30. https://doi.org/10.1109/85.929908.
Smith, A. R. (2021). A biography of the pixel. MIT Press.
Vkhutemas. (2020, June 25). Main course. https://www.vkhutemas.ru/en/structure-eng/faculties-eng/main-course/
Téléchargements
Publiée
Numéro
Rubrique
Licence
Ce travail est disponible sous licence Creative Commons Attribution - Pas d’Utilisation Commerciale - Partage dans les Mêmes Conditions 4.0 International.
Les auteurs qui publient dans ce journal acceptent les termes suivants:
- Les auteurs conservent le droit d'auteur et accordent à la revue le droit de première publication, le travail étant concédé simultanément sous la licence Creative Commons Attribution (CC BY-NC-SA 4.0) qui permet le partage de l'œuvre avec reconnaissance de la paternité et de la publication initiale dans cette revue à des fins non commerciales.
- Les auteurs sont autorisés à assumer des contrats supplémentaires séparément, pour une distribution non exclusive de la version de l'ouvrage publiée dans cette revue (par exemple, publication dans un référentiel institutionnel ou en tant que chapitre de livre), avec reconnaissance de la paternité et de la publication initiale dans cette revue.
