当科技遇上艺术

传统剪纸遇上AI绘画:一场跨时代的艺术对话 当我学到一定基础,有自己的理解能力的时候,会去阅读一些前辈整理的书籍或者手写的笔记资料,这些笔记详细记载了他们对一些技术点的理解,这些理解是比较独到,可以学到不一样的思路。最近,我查阅了许多资料,依然没有找到特别多关于剪纸方面的内容,包括但不限于剪纸文化起源,发展,非遗剪纸传承人及其相关的技法,不同地区的剪纸区别等等。这不仅仅是一场艺术的碰撞,更是一次跨时代的对话。AIGC所有方向的技术点做的整理,形成各个领域的知识点汇总,它的用处就在于,你可以按照下面的知识点去找对应的学习资源,保证自己学得较为全面。 阅读详情


       最近在用vs2008(MFC)写一个工具,设计好后编译运行一看,这软件的UI着实感觉太out了。可能有些人会说是我的设计UI的问题,实际不然,因为这个工具就一些button, edit,label组件。稍加分析,其实是那些组件本身的外形就那样了,虽然有几个选项还是可以改改外观,但无论你怎么改也不可能改成苹果那样酷的UI。

      回过头来看,如果放在我读本科时来看这个UI,我多半是不会觉得它的外观没新意太out的。问题在于几年后为什么我们会有这种不同的感觉呐?稍加分析,我想我们要感谢的还是乔布斯。

     说乔布斯改变世界,我觉得他最重要的贡献是把艺术与科技进行了完美的融合,从此在无形中唤醒了人们对产品的艺术追求。他把极简主义的艺术理念深深地融入到了苹果的所有产品中。

     但是众所周知,乔布斯的事业道路并不是一帆风顺,曾一度处于市场领先的Apple PC被IBM的PC一推出就打得落花流水,苹果的操作系统macintosh也被比尔的windows一问世就打败了,尤其是后面的windows 3.X系列的问世更是稳固了Microsoft的霸主地位,从此造就了微软帝国。

      究其原因,个人觉得苹果当年的不顺与当时的科技还没能达到实现乔布斯的极简主义艺术追求有关。这是大环境所至的。而一但当科技发展到足以支撑苹果的艺术追求时,ipod问世了,iphone问世了,ipad问世了。iphone的问世(特别是iphone4),可以说是个IT行业的一个转折点。从此,我们的审美细胞好像一下被唤醒了,买手机时除了看它的功能,我们更多地开始考虑手机的外观设计了,开始考虑app的用户体验了。

     其实,现在回过头来看,iphone之前,我们对各种数码产品,对各种软件的评价几乎都是功能至上。相信大家想在还对当年的各种手机广告留有记忆,在功能机时代,几乎我们看到的所有手机广告都是在宣传手机的功能有多牛逼、多丰富,但基本不谈艺术设计、用户体验。对PC的宣传也几乎都是配置主导论。我觉得这种整个社会大众对功能的单一化追求,也正是当年山寨横行的一个重要原因。因为功能相较于艺术,更容易被模仿。

     现在回过头来看看霸主微软,其实它这二十年左右的辉煌最主要的也是靠的功能至上。就靠一个操作系统征服了全世界。这里没有贬低微软在艺术上的不作为,在我看来,这应该是一种隐性的科技发展规律,因为当时的科技也许还没有发达到可以支撑人们对艺术的追求。

     随着IT科技的快速发展,谈到这里不禁想多炫耀几句IT行业,哈哈。世界上第一台现代计算机1946才诞生,60年代网络才诞生,80年代Internet才正式商业化。短短几十年,这发展速度相信是其他任何行业都望尘莫及的。

    科技终于发展到可以让我们考虑艺术了,相继的ios 、android问世了,还记得当年买三星的android手机时,同学就跟我说用了Android才知道以前的那些手机有多低级。

     把科技与艺术结合地最完美的企业苹果当之无愧(至少到目前是)。我们要感谢苹果唤醒了我们的艺术情怀。从此各种各科技公司也开始觉醒,纷纷开始重视产品的艺术设计,开始重视App的用户体验。然后是各种山寨数码产品的销声匿迹(Android功不可没),因为他们的外形让消费者实在难以忍受了,用户体验的也还停留在一两年前,它们太Out了,就自然被淘汰了。剩下的都是有实力的,他们开始重视科技与艺术的结合,所以我们现在看到的广告也不再在单纯炫耀功能,而是大打工艺情怀、用户体验的牌。

     最近的Google开发者大会也是对UI进行了很大的改进,上个月老罗在锥子手机的发布会上也是各种宣传T1的工艺,刚看了小米4的宣传视频,里面根本没宣传任何功能,只有背景音乐加M4的工艺展示。提到小米,不得不多提几句。小米最初的定位是发烧,在工艺上的投入并不是很大,不过现在雷军也看到了工艺的不可忽视性,从米4的宣传来看尤其如此。值得一提的是纵观现在的各种数码产品,以及各种智能硬件的艺术设计几乎都走得的是极简主义的设计道路,这都是拜乔帮主所赐。与此同时,我们不得不问,除了极简主义难道就没有其他更好的艺术形式可以跟科技结合吗?

      回过头来看科技和艺术的结合其实也在一种内在的趋势,是人类进步的必然。

      自人类诞生以来,经历了原始群、氏族、部落、部落联盟,最后才发展到了产生国家这种组织机构,与社会组织相对应的文化标志也经历了生殖崇拜、图腾崇拜以及国家诞生后的宗教。 宗教经历了长期的发展后才诞生了科学和艺术,科学和艺术只是两条不同的追求真理的道路而已。从源头上来讲,科技和艺术的源头都是宗教。最后他们能走到一起也是很自然的事。

     总结:如今的IT界风起云涌,瞬息万变,革命一直在进行,从未停止。而且不仅在革自己的命还要革其他行业的命。也正是这些革命造就了IT界今天的繁荣局面。
基于PID的定速巡航控制系统设计【MATLAB源码+Word文档】 本文详细介绍了定速巡航控制是一种车辆驾驶辅助系统,它能让驾驶者在高速或长途驾驶时,设定一个固定的车速,然后车辆会自动维持这个速度行驶,无需驾驶者持续踩油门。这大大减轻了驾驶者的疲劳,同时也提高了行驶的安全性。PID定速巡航控制系统是一种利用比例(Proportional)、积分(Integral)和微分(Derivative)控制算法来实现车辆定速巡航的先进系统。这种系统能够根据设定的速度,自动调整油门开度或制动力度,使车辆保持恒定的速度行驶。这种控制系统具有响应速度快、控制精度高、稳定性好等优点。 阅读详情

相关推荐

PWM控制技术+Simulink仿真详解

想要理解SVPWM控制技术,首先要了解PWM控制技术。 PWM控制技术就是对脉冲宽度进行调制的技术,通过对一系列脉冲宽度进行调制来等效获得所需要的波形(包括形状和幅值)。 PWM控制的基本原理:冲量(窄脉冲的面积)相等而形状不同的窄脉冲加在具有惯性的环节上时,其效果(输出响应波形)基本相同,即面积等效原理;用一系列幅值相等,宽度按一定规律变化的高频脉冲序列代替期望的输出波形,多用于逆变电路的控制; PWM信号生成的方法有:计算法、调制法、跟踪法,主要对调制法进行详解 ...

小师兄的学习记录 5万+

使用科技来创造艺术 由人工AI制作的一幅画

照片中这幅名为「Edmond de Belamy」的画 10 月即将在纽约佳士得拍卖上登场,但你认得出来这是哪位艺术家的作品吗?如果你将照片拉近一点看,可以看见画作右下角有着潦草的笔迹,而那确实就是创作者的名称,只是这段文字并不是常见的人名,而是一个数学方程式。 这幅画作是由法国艺术团体 Obvious 所协助创作的,或者该更准确的说,这是 Obvious 团队设计的算法所创作的作品。 自...

自在过生活 1332

Virtualbox “Kernel driver not installed (rc=-1908)”问题全面解析与修复指南

本文全面解析了Virtualbox出现'Kernel driver not installed (rc=-1908)'错误的原因及修复方法。详细介绍了如何通过重新安装virtualbox-dkms、处理Secure Boot特殊情况等步骤解决该问题,并提供了预防措施与最佳实践,帮助用户避免类似错误再次发生。

weixin_30352645的博客 530

艺术二维码:当科技遇上艺术 【Stable Diffusion 实战教程】

就是将艺术元素融入到二维码设计中,让二维码不再单调,既保留了实用性,又增加了观赏性。这种二维码在各种场合都能成为一道亮丽的风景线。好了,今天的教程就到这里。如果你对这种结合艺术与科技的创作感兴趣,不妨动手试试。记得关注我,获取更多类似的实用教程哦!最后,来个小笑话轻松一下:有一天,一个程序员的妻子让他去杂货店买东西。她说:“去买一瓶牛奶,如果有鸡蛋的话,就买六个。” 程序员去了商店,回来的时候拿了六瓶牛奶。他妻子问:“为什么你买了这么多牛奶?” 程序员回答:“因为他们有鸡蛋。

红老属爱学习的专栏 1185

WPS集成DeepSeek最新教程,附详细图文,让文案生成更智能

本文将为大家详细介绍如何将 DeepSeek 功能集成到 WPS 中,通过 OfficeAI 插件,你无需进行复杂的本地部署,只需通过官网连接即可快速启用 DeepSeek 强大的 AI 功能。不论是文案生成、翻译校对,还是深度推理、决策支持,DeepSeek 都能为你提供便捷的解决方案。让我们一起来看看如何操作吧!

Java徐师兄的博客 6万+

关于三维全波电磁场仿真软件CST的安装和问题解决

百度网盘链接:https://pan.baidu.com/s/1RgWr8Qau1EzSOlh29SewFQ提取码:fzza这里是2023版本的CST,需要其他版本的uu们可以去官网或者其他人的网盘下载。

weixin_60728441的博客 3616

区块链、AI遇上艺术,科技突破艺术的想象空间

近期,在中国最高的美术馆——上海云间美术馆,来自人工智能和区块链领域的专家、高校学者和知名艺术家,共同展开了一场关于区块链、人工智能和数字艺术的深度交流,探讨区块链和人工智能赋能数字艺术的...

baiduxuperchain的博客 963

虚幻商城 Fab 免费资产自动化入库

Fab 商城的所有的免费资产自动化入库

一碗清深的博客 3645

当深兰科技AI遇上王小慧艺术馆,将会产生什么样的火花

艺术之美在于它的感性与抽象,是人类精神文化的体现;科技之美在于它的理性与缜密,是无数数据与代码的结合。当深兰科技AI遇上王小慧艺术又会产生什么样的效果呢?

深兰科技 299

【Claude】组织级认证限制报错已解决(4 种)

报错被禁用的是什么谁能解除应急方案整个 Console 组织Anthropic 支持换账户 / 订阅凭证API key 认证方式你的组织管理员用订阅/login订阅 OAuth 登录你的组织管理员用 API keyRoutines 功能你的组织所有者手动计划任务替代共同排查模式/status确认当前凭证;检查环境变量;看清报错消息里命名的是什么(key?组织访问?),对症清除;管理员层面的限制,找管理员解锁。

博客 1万+

Mamba-YOLOv8深度解析:基于状态空间模型的下一代目标检测架构(含完整代码与实战部署)文末含资料链接!

通过本文的完整指南,您将掌握从理论创新到工程落地的全流程技术细节。立即动手实践,开启目标检测的新纪元!

FJN110的博客 519

当书法遇上 AI:传统艺术的“科技魔法”

在当今数字化飞速发展的时代,人工智能(AI)正以前所未有的速度渗透到各个领域,而古老而优雅的书法艺术也迎来了与 AI 结合的奇妙碰撞,产生了令人惊叹的化学反应。

ai_tools_hub的博客 1467

OpenClaw进阶实战(五):多模态能力扩展——让OpenClaw看懂图片、听懂语音

本文介绍了如何在OpenClaw中实现多模态能力,包括图像文字识别(OCR)、图像描述和语音识别(ASR)三种技能。通过PaddleOCR、BLIP和Whisper等开源工具,可以本地化部署这些功能,保护数据隐私。文章详细展示了三个独立技能模块的实现代码,并提出了一个"多模态智能管家"方案,能自动识别消息类型(文本/图片/语音)并调用相应处理技能。该方案适用于电商客服、会议纪要等真实业务场景,使AI助手具备"眼睛"和"耳朵"的多模态交互能力。

PeterPan的博客 161

AI绘画:当科技遇上艺术,探索人工智能在生活中的创造力

Al 的发展可以追溯到 20 世纪 50 年代,当时的科学家们开始研究如何让机器变得智能。在接下来的几十年里,AI 得到了不断发展和完善,并涉及机器学习、深度学习、自然语言处理、计算机视觉等多个领域。

白帽阿叁的博客 1503

假人有限元模型

假人模型,车辆碰撞假人有限元模型,适合做乘员安全的研究者利用

ET2012新版免狗免安装绿色软件

ET2012新版免狗免安祖昂绿色软件。,新界面,新视觉,

​AI绘画遇上传统剪纸:一场跨时代的艺术对话

亲爱的读者们,你们好!今天,我们要聊一聊一个特别有趣的话题——传统剪纸艺术与现代AI绘画的结合。这不仅仅是一场艺术的碰撞,更是一次跨时代的对话。

ice829的博客 1651

Probability and Statistics - 4th edition

Probability and Statistics - 4th edition

揭秘Stable Diffusion 3:当AI遇上艺术,创意无界限!

在这个闰年的肯德基星期四,让我们一起探索Stable Diffusion 3(简称SD3),一款革命性的AI艺术创作工具。SD3以其前所未有的提示词理解能力和图像生成技术,重新定义了人工智能与创意表达的边界。本文将深入探讨SD3的技术特点、应用前景以及其对未来创作领域的影响。词条:Stable Diffusion 3、AI艺术创作、图像生成、创意表达、技术革命。SD3是由Stability AI推出的最新AI模型,它不仅能够理解复杂的提示词,还能将这些提示词转化为高质量的图像。

猫头虎技术团队:授渔优于赠鱼,兴趣引领智慧,探索之乐尤显珍贵。商务合作+:Libin9iOak ,万粉变现+:优快云WF,猫头虎承诺每年免费为100名C站创作者做账号流量诊断服务!全网搜:猫头虎技术团队,点击文章底部名片或直接私信我一切皆可谈,快找虎哥! 5485

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

当艺术遇上AI:AI赋能生产力的可能场景和应用思路

点击蓝字关注我们AI TIME欢迎每一位AI爱好者的加入!在AI时代汹涌而来的背景下,AIGC(AI generated content,AI生成内容)成为继 UGC、PGC 之后新型的内容生产方式。这不禁引发我们的思考,在AI时代:创作者如何与AI和谐共生?创作者如何利用AI技术?元宇宙将如何发展?媒介将如何演变?……为了帮助大家答疑解惑,12月9日,由智谱AI支持,北京市科委、中关村管委会科普...

AITIME_HY的博客 1327

MusePublic艺术创作引擎LaTeX应用:科技艺术论文排版

本文介绍了如何在星图GPU平台上自动化部署🏛️ MusePublic艺术创作引擎镜像,实现科技艺术论文的高效排版。该方案结合LaTeX系统,可快速生成专业级学术插图和示意图,显著提升论文的视觉表现力和排版效率,特别适用于需要高质量自定义图表的研究场景。

weixin_35238815的博客 84

当基因编辑遇上艺术家,CRISPR是否还令人害怕?

硅谷Live /实地探访/ 热点探秘 / 深度探讨说起 CRISPR 基因编辑技术,大家脑子里的第一个反应是什么?可以说不少人是既期待又害怕,但更多的可能是似懂非懂。...

硅谷密探 557

第二届牡丹文化艺术节暨“当汉服遇上牡丹”开园仪式正式启动

第二届牡丹文化艺术节暨“当汉服遇上牡丹”开园仪式正式启动 “当汉服遇上牡丹”唯有牡丹真国色,花开时节动京城。3月27日,位于湖南郴州香四海保和顶上村又迎来了一年一度的牡丹花节开园盛事。虽然顶上牡丹花节已经持续多届,每年都会有众多游客慕名前来打卡,一睹牡丹芳容,但今年的游客却异常的多。今年相比以往,除了传统的赏花环节,“当汉服遇上牡丹”的主题活动也大放异彩,让游客在踏青赏花的同时,感受到了中华传统文化的韵味与魅力。 第二届牡丹文化艺术节暨“当汉服遇上牡丹”开园仪式正式启动 开园当天郴州市广播电视台副台长王晓华

科技创新点 233

当艺术遇上人工智能,理性的代码也变得浪漫『飞桨开发者图鉴』

在大多数人的固有印象中,开发者和艺术家是截然相反的两类人,一个极度理性,一个极度感性。而今天我们要介绍的两位飞桨开发者技术专家(PPDE)带着他们的作品告诉我们,代码也能化身画笔和乐器,创...

PaddlePaddle 529

人工智能艺术:一场前所未有的新艺术创造

http://m.gmw.cn/toutiao/2019-07/10/content_122503727.htm 【热点观察·当文艺创作遇上人工智能③】 作者:蔡新元(华中科技大学设计学系教授、博导、艺术与科学研究中心主任) 人工智能艺术在今天不仅是一种从主题、形式到技术都令人惊叹的前卫艺术类型,而且在日益扩大艺术的外延。面对人工智能对传统艺术的挑战,公众和学界都应保持理性和宽容。 ...

喜欢打酱油的老鸟 1961

艺术遇上AI,yuma kishi的工科浪漫 | 设计黑客

her (2)Edition1of1Collector:TangYiyuma kishi 是使用 AI 技术的当代艺术家,毕业于东京大学工程学院(硕士)电子光学专业。毕业后,他以...

shadowcz007的博客 284

六一儿童节遇上AI:智能科技点亮童年欢乐

【摘要】当六一儿童节与AI深度融合,智能科技通过沉浸式互动游戏、个性化祝福生成、文化教育赋能及情感化陪伴,重构节日体验。本文结合腾讯云、浙大实验园等案例,剖析技术落地的同时,强调安全隐私保护与伦理建设,为“科技童年”提供发展范式与风险应对指南。

欢迎来到运通链达的官方博客!我们深度探讨人工智能技术与应用,贯彻科技向善理念,推动科技进步与社会福祉和谐共生。 1822

探秘AIGC生成艺术的独特魅力

AIGC代表了一种新的艺术语言,它将人类的情感与机器的理性相结合,创造出前所未有的艺术景观。每一次AIGC作品的诞生,都是艺术与科技相遇的见证,让我们见证了人类智慧与机器智能的完美融合。

master_chenchen的博客 1156
上一篇: PCA实现步骤及其与opencv中PCA实现方式的对比
下一篇: 用opencv检测人眼并定位瞳孔位置
IT修道者
IT修道者 领域专家: 人工智能技术领域 领域专家: 人工智能技术领域
博客等级 码龄17年 326粉丝 95原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值