本研究提出DFA-CON对比学习框架，旨在有效检测生成式AI工具对视觉艺术创作的版权侵犯与伪造问题。DFA-CON通过建立原创艺术作品与伪造作品之间的亲和力，展现出强大的检测性能，超越了现有预训练模型。

本研究针对当前多模态大语言模型在艺术作品分析中未能有效捕捉细腻解读的问题，提出了一种新颖的框架ArtRAG。该框架通过构建艺术上下文知识图谱，从多角度提供文化和历史背景，使模型能够生成更具语境和文化涵养的艺术描述，并在多个基准测试中超越传统的方法。

本研究探讨人工智能如何在视觉艺术创作中超越人类认知限制，利用大语言模型通过外星重组方法识别和生成新概念组合，展现AI的创造力潜力。

本研究开发了Video2Music AI框架，通过分析视频的语义、场景、运动和情感特征生成音乐。我们创建了MuVi-Sync数据集，训练了情感多模态Transformer模型，实现了音乐与视频的情感匹配。实验表明，该框架生成的音乐质量高，与视频匹配良好。

本研究提出了一种新颖的基于风格的艺术作品聚类方法，能有效提升聚类效果，对艺术风格演化研究具有重要影响。

本研究探讨了基于扩散的视觉艺术创作中的问题和挑战，强调了扩散方法在艺术创作中的作用及未来发展潜力。为生成性人工智能与艺术融合提供了新的视角，改变了创作范式并打开了新的可能性。

Stability-AI/StableCascade StableCascade 是一个建立在 Würstchen 架构之上的模型，与其他模型（如 Stable Diffusion）相比，其工作在更小的潜空间。其主要优势包括： 较小的潜空间使得推理速度更快、训练成本更低 压缩因子高达 42，能够将 1024x1024 图像编码为...

通过创新的统一框架CreativeSynth，实现艺术图像生成的逆向和实时样式转移，精确操纵图像样式和内容，提升保真度和美学精髓，成为定制数字调色板。