GÜNCEL SANATTA BİR ÜRETİM BİÇİMİ OLARAK ÇEKİŞMELİ ÜRETKEN AĞLAR

Serdar Çiftçi; Dilara Karakaş Tabak

doi:10.17780/ksujes.1391608

EN TR

GENERATIVE ADVERSARIAL NETWORKS AS A PRACTICE IN CONTEMPORARY ART

Abstract

Generative models have achieved impressive results in image generation in recent years. While significant developments in the field of artificial intelligence have influenced a wide range of applications, they have also sparked many artistic debates. In this study, we adapted the DCGAN model, a type of generative adversarial network, for image generation and criticism to draw attention to the problems of artificial intelligence applications to artistic creativity and to question the ability of artificial intelligence to achieve human creativity and obscure the replacement of artists. To train the model, we scanned our own original paintings and created the dataset using data augmentation techniques. The generated images were critiqued with an artist's eye. As a result of the evaluation of the generated images, a discussion emerged on how to define the relationship between creativity and production and where the limits of artificial intelligence lie in relation to artistic production. In this context, we focused on the view that artificial intelligence and human intelligence are not opposites and often serve the same purpose and that artificial intelligence can be positioned as a tool that optimizes the production process of paintings.

Keywords

GÜNCEL SANATTA BİR ÜRETİM BİÇİMİ OLARAK ÇEKİŞMELİ ÜRETKEN AĞLAR

Öz

Üretken modeller son yıllarda görüntü oluşturmada etkileyici sonuçlar gerçekleştirmektedir. Yapay zekâ alanında yaşanan önemli gelişmeler geniş bir kullanım alanını etkilerken sanatsal açıdan pek çok tartışmayı da gündeme getirmiştir. Yapay zekâ uygulamalarının sanatsal yaratıcılıkla ilgili sorunlarına dikkat çekmeyi ve yapay zekanın insani yaratıcılığa ulaşabilme ve sanatçının ikamesini bulanıklaştırma kapasitesini sorgulamayı amaçlayan bu çalışmada çekişmeli üretken ağlardan DCGAN modeli uyarlanıp görseller oluşturulmuş ve kritiği yapılmıştır. Modelin eğitilmesi için kendi özgün resimlerimiz taranmış ve veri artırım teknikleri kullanılarak veri kümesi hazırlanmıştır. Model eğitimi sonucunda oluşan görüntüler üzerinde sanatçı gözüyle eleştirel değerlendirmeler yapılmıştır. Oluşturulan görüntülerin değerlendirilmesi neticesinde yaratıcılık ve üretim arasındaki ilişkinin nasıl tanımlanabileceği ve sanatsal üretim bakımından yapay zekanın sınırlarının ne olduğuna dair bir argüman oluşturulmuştur. Bu bakımdan, yapay zekâ ve beşerî zekâ arasında birbiriyle çelişmeyen, başka bir deyişle aynı amaca hizmet eden bir ortaklıktan hareketle, yapay zekanın üretim sürecini optimize eden bir araç olarak konumlandırılabileceği görüşüne odaklanılmıştır.

Anahtar Kelimeler

Kaynakça

Agnese, J., Herrera, J., Tao, H., & Zhu, X. (2020). A survey and taxonomy of adversarial neural networks for text‐to‐image synthesis. Wiley Interdisciplinary Reviews: Data Mining and Knowledge Discovery, 10(4), e1345.
Artut, S., (2019). Yapay Zekâ Olgusunun Güncel Sanat Çalışmalarındaki Açılımları. İnsan&İnsan, Yıl/6, Sayı/22, Güz/2019, 767-783.
Baudrillard, J. (2010). Sanat Komplosu. Elçin Gen, Işık Ergüden (Çev.). İstanbul: İletişim Yayınları. Berger, J. (2014). Görünüre Dair Küçük Bir Teoriye Doğru Adımlar. Bülent Somay (Çev.). İstanbul: Metis Yayınları.
Cai, Q., Ma, M., Wang, C., & Li, H. (2023). Image neural style transfer: A review. Computers and Electrical Engineering, 108, 108723.
Cao, Y., Li, S., Liu, Y., Yan, Z., Dai, Y., Yu, P. S., & Sun, L. (2023). A comprehensive survey of ai-generated content (aigc): A history of generative ai from gan to chatgpt. arXiv preprint arXiv:2303.04226.
Cetinic, E., & She, J. (2022). Understanding and creating art with AI: Review and outlook. ACM Transactions on Multimedia Computing, Communications, and Applications (TOMM), 18(2), 1-22.
Dall-e. (2023). https://openai.com/dall-e-3, Son erişim: 7 Kasım 2023.
Dörfler, V., (2023). Yöneticiler İçin Yapay Zeka. Cihan Altay (Çev.). İstanbul: Türkiye İş Bankası Kültür Yayınları

Elasri, M., Elharrouss, O., Al-Maadeed, S., & Tairi, H. (2022). Image generation: A review. Neural Processing Letters, 54(5), 4609-4646.
Elgammal, A., Liu, B., Elhoseiny, M., & Mazzone, M. (2017). Can: Creative adversarial networks, generating" art" by learning about styles and deviating from style norms. arXiv preprint arXiv:1706.07068.
Eroğlu, Ö., (2014). Sanatın Yeniden İnşası. İstanbul: Tekhne Yayınları.
Erzen, J., (2012). Çoğul Estetik. İstanbul: Metis Yayıncılık.
Gasset, J. O., (2013). Sanatın İnsansızlaştırılması ve Roman Üstüne Düşünceler. Çev. Neyyire Gül Işık. İstanbul: Yapı Kredi Yayınları.
Gatys, L. A., Ecker, A. S., & Bethge, M. (2015). A neural algorithm of artistic style. arXiv preprint arXiv:1508.06576.
Goodfellow, I., Pouget-Abadie, J., Mirza, M., Xu, B., Warde-Farley, D., Ozair, S., ... & Bengio, Y. (2014). Generative adversarial nets. Advances in neural information processing systems, 27.
Grba, D. (2022). Deep else: A critical framework for ai art. Digital, 2(1), 1-32.
Jiang, H. H., Brown, L., Cheng, J., Khan, M., Gupta, A., Workman, D., ... & Gebru, T. (2023, August). AI Art and its Impact on Artists. In Proceedings of the 2023 AAAI/ACM Conference on AI, Ethics, and Society (pp. 363-374).
Karakaş Tabak, D. (2022). Nesneden Piksele: NFT Sanatı, International Social Sciences Studies Journal, 8(99), 2078-2087, http://dx.doi.org/10.29228/sssj.62831.
Kodali, N., Abernethy, J., Hays, J., & Kira, Z. (2017). On convergence and stability of gans. arXiv preprint arXiv:1705.07215.
LeCun, Y., Bengio, Y., & Hinton, G. (2015). Deep learning. nature, 521(7553), 436-444. Li, Z., Liu, F., Yang, W., Peng, S., & Zhou, J. (2021). A survey of convolutional neural networks: analysis, applications, and prospects. IEEE transactions on neural networks and learning systems.
McCormack, J., Gifford, T., & Hutchings, P. (2019, April). Autonomy, authenticity, authorship and intention in computer generated art. In International conference on computational intelligence in music, sound, art and design (part of EvoStar) (pp. 35-50). Cham: Springer International Publishing.
Messingschlager, T. V., & Appel, M. (2023). Mind ascribed to AI and the appreciation of AI-generated art. New Media & Society, 0(0), https://doi.org/10.1177/14614448231200248.
Midjourney. (2023), https://www.midjourney.com/home, Son erişim: 7 Kasım 2023.
Radford, A., Metz, L., & Chintala, S. (2015). Unsupervised representation learning with deep convolutional generative adversarial networks. arXiv preprint arXiv:1511.06434.
Ranciere, J., (2013). Özgürleşen Seyirci. Burak Şaman (Çev.). İstanbul: Metis Yayıncılık
Schopenhauer, A., (2009). İsteme ve Tasarım Olarak Dünya. Levent Özşar (Çev.). İstanbul: Biblos Kitabevi.
Shahriar, S. (2022). GAN computers generate arts? a survey on visual arts, music, and literary text generation using generative adversarial network. Displays, 73, 102237.
Şahiner, R., (2013). Sanatta Postmodern Kırılmalar. Ankara: Ütopya Yayınevi.
Wang, H., Fu, T., Du, Y., Gao, W., Huang, K., Liu, Z., ... & Zitnik, M. (2023). Scientific discovery in the age of artificial intelligence. Nature, 620(7972), 47-60.

Ayrıntılar

Birincil Dil

Türkçe

Konular

Görüntü İşleme , Derin Öğrenme

Bölüm

Araştırma Makalesi

Yazarlar

Serdar Çiftçi ^*
0000-0001-7074-2876
Türkiye

Dilara Karakaş Tabak
0000-0002-5476-081X
Türkiye

Yayımlanma Tarihi

3 Haziran 2024

Gönderilme Tarihi

16 Kasım 2023

Kabul Tarihi

22 Aralık 2023

Yayımlandığı Sayı

Yıl 2024 Cilt: 27 Sayı: 2

DOI

https://doi.org/10.17780/ksujes.1391608

IZ

https://izlik.org/JA77BH54TM

Kaynak Göster

RIS / Bibtex

APA

Çiftçi, S., & Karakaş Tabak, D. (2024). GÜNCEL SANATTA BİR ÜRETİM BİÇİMİ OLARAK ÇEKİŞMELİ ÜRETKEN AĞLAR. Kahramanmaraş Sütçü İmam Üniversitesi Mühendislik Bilimleri Dergisi, 27(2), 415-425. https://doi.org/10.17780/ksujes.1391608

Cited By

GÖRSEL TASARIMLARDA YENİ YAKLAŞIMLAR: YAPAY ZEKA TABANLI CHATBOT VE ÜRETKEN ARAÇLARIN ROLÜ

Sanat ve Tasarım Dergisi

https://doi.org/10.20488/sanattasarim.1828419