Separate and Reassemble: Generative AI through the lens of art and media histories
DOI:
https://doi.org/10.11606/issn.1982-8160.v18i2p7-18Parole chiave:
AI image generation, digital media, neural networks, computer graphics, generative AIAbstract
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.
Downloads
Riferimenti bibliografici
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/
Pubblicato
Fascicolo
Sezione
Licenza
Questo volume è pubblicato con la licenza Creative Commons Attribuzione - Non commerciale - Condividi allo stesso modo 4.0 Internazionale.
Gli autori che pubblicano in questa rivista accettano i seguenti termini:
- Gli autori mantengono il copyright e concedono alla rivista il diritto alla prima pubblicazione, con il lavoro simultaneamente concesso in licenza in base alla Licenza di attribuzione Creative Commons (CC BY-NC-SA 4.0) che consente la condivisione dell'opera con riconoscimento di paternità e pubblicazione iniziale in questo giornale per scopi non commerciali.
- Gli autori sono autorizzati ad assumere contratti aggiuntivi separatamente, per la distribuzione non esclusiva della versione dell'opera pubblicata in questa rivista (ad esempio, pubblicazione in un archivio istituzionale o come capitolo di un libro), con riconoscimento di paternità e pubblicazione iniziale in questa rivista.
