Assoziative Kunst stützt sich meist auf Computer als Werkzeug und kann damit als „Computerkunst“ charakterisiert werden. Diese Bezeichnung sagt allerdings nicht viel über die Kunst aus, genauso wenig wie traditionelle Kunst als “Pinselkunst” charakterisiert werden kann.
Die assoziative Kunst begründet sich auf einer essentiellen Eigenschaft der menschlichen Intelligenz : der Ergänzung von Sensoreindrücken (Mustern), meist speziell von visuellen Mustern. Dabei werden zu Teilen von Mustern oder zu zufälligen Mustern, ähnlich wie bei einem Rohrschacht-Test, Assoziationen gebildet, die diese Muster als Teile enthalten sollen. Die Assoziationen werden dann auf die Stelle visuell abgebildet, an der die Teilmuster assoziiert werden und füllen sie aus oder überlagern sie als Ganzes.
Assoziative Kunst benutzt dazu meistens Computer, um die Assoziationen zu berechnen und im visuellen Fall das Bild zu erzeugen. Die Berechnungen erfolgen mit Hilfe eines Assoziativspeicher-Modells, basierend auf Künstlichen Neuronalen Netzen (KNN) der Künstlichen Intelligenz (KI). Der kreative Prozess besteht dann daraus, die gewünschten Assoziationen vorher auszuwählen und einzuspeichern (Training des Modells) und der Auswahl der Vorlagenbilder, deren Teilmuster benutzt werden sollen.
Als Beispiel diene dazu als Vorlage ein Bild von Vincent van Gogh, das Selbstportrait.
Dazu sollen Bilder von Vogelköpfen assoziiert werden. Die assoziative Überlagerung erfolgt in mehreren Schritten, da die verwendeten Algorithmen üblicherweise iterativ und approximativ funktionieren. Unten sind deshalb nur zwei Schnappschuss aus einem zeitlich verlaufenden Prozess abgebildet.
© 2015 Karel Mestdagh
Der gesamte Prozess ist als Video unter „Vincent Van Gogh in Google DeepDream Space“ auf YouTube zu sehen.
Assoziative Kunst ist also eine Kunstrichtung, die sich stark auf mechanisiert eingesetzte, menschliche Assoziationen stützt. Dabei werden zwar meist visuelle Bilder erzeugt, aber die Methode lässt sich leicht auf bewegte Bilder (Videos) oder Musik erweitern. Auf YouTube sind einige Videos zu finden (beispielsweise hier), bei denen Bild für Bild der gewünschte Assoziationsalgorithmus angewendet wurde und damit psychodelische Videos erzeugt wurden, die stark an Halluzinationen unter LSD-Einfluss erinnern.
Geschichte
Obwohl der Grundgedanke einfach ist, gibt es nur wenige, einfache Beispiele in der Kunstgeschichte. Die Assoziative Kunst wurde erst populär, als der KI-Forscher Alexander Mordvintsev der Google Computer Vision Group im Jahr 2015 Visualisierungen (Deep Dreams) des sog. Deep Learning – Ansatzes vorstellten. Ein Bild davon ist hier zu sehen : Zu der Vorlage wurden vorher eintrainierte Hundegesichter, Raupen und Vögelköpfe assoziiert und eingeblendet.
Diese Bilder stießen auf großes Interesse bei einem breiten Publikum. Im Jahr 2016 wurde sogar eine eigene, von Google gesponserte Ausstellung in San Franzisko eröffnet, auf der verschiedene, mit dieser Technik erzeugte Bilder zu sehen waren. Einige Bilder wurden auch für ca. 8000 USD verkauft.
Um allerdings ebenfalls solche Bilder zu erzeugen, bedarf es entsprechender Programme, die die meisten Künstler weder schreiben noch verstehen konnten. Dazu wird auch eine rechenintensive Hardware benötigt, über die viele Künstler nicht verfügen. Kundige Programmierer nutzten dies aus und bieten deshalb Portale an, bei denen man sowohl die Trainingsmuster als auch die Vorlagen hochladen kann und dann die resultierende Ausgabe erhält, die auf dem Portalserver berechnet wird. Beispiel dafür sind deepdreamgenerator.com von dem Künstler Memo Akten und dreamscopeapp.com, das kommerziell genutzt werden kann. Sogar Schnittstellen wurden definiert, um Bilder automatisch auf einen Server zu laden und nach der Bearbeitung das Resultat zurück zu transportieren, siehe deepai.org.
Methoden
Das tiefe Lernen (deep learning) wird nach der Methode benannt, Sensoreindrücke in vielen Schichten hintereinander zu bearbeiten. Dabei wird ein Sensoreindruck (Muster) zuerst nach sehr einfachen Mustern wie Striche oder Kontrastgrenzen analysiert und ein den weiteren Schichten vermerkt, zu welchen Mustern diese Striche zusammengesetzt werden. Am Ende wird das Ergebnis mit bereits gespeicherten Mustern verglichen und bei einer Teilübereinstimmung das gesamte gespeicherte Muster ausgegeben. Ein Video auf YouTube verdeutlicht den deep dream-Ansatz.
Die grundlegende Methode kann nun für die Erzeugung interessanter Bilder weiter abgeändert und verfeinert werden. Das Team um Memo Akten definierte sich beispielsweise neben der originalen deep dreams-Methode noch die Methoden deep style und thin style. Die deep style versucht, vorhandene Textur assoziativ mit einer gegebenen anderen Textur mit Stellen ähnlicher Merkmale zu übermalen. Im Folgenden ist links oben das Originalbild, darunter das Zusatzbild und in groß das Resultat zu sehen.
Eine leichte, nur auf wenige Merkmale beschränkte, schnelle Methode wurde thin style genannt und erzeugt weniger komplexe Texturänderungen.
Eine spezielle Version dieser computergenerierten Kunst besteht darin, ein System so zu trainieren, dass es nur das Wesentliche von mehreren Bildern in komprimierter Form erfasst. Packt man einen anderen Kontext dazu und expandiert den Kern wieder, assoziiert also Grundstrukturen mit neuem Kontext, so bekommt man Bilder, die so nie exisitiert haben (deep fake). Dies ist eine Technik, die einerseits zum Fälschen von Personenfotos und politischen Intrigen führen, die aber auch andererseits zur Generierung von Kunst verwendet werden kann. Näheres ist in diesem Artikel der NZZ nachzulesen.
Nachstehend einige Beispielfotos von der Webseite ThisPersonDoesNotExist.com. Alle Personen existieren nicht ; die Gesichter sind synthetisch erzeugt.
Und hier nun einige Beispiele von synthetisch erzeugten Bildern aus ThisArtworkDoesNotExist.com.
Bilder aus Textbeschreibung
Eine der komfortabelsten Möglichkeiten, ein Bild zu erzeugen, besteht darin, dem Computer zu sagen, was zu sehen sein soll. Hier gibt es bereits viele Modelle. Eigene Firmen und Communities propagieren solche Modell, etwa openai.org oder stability.ai.
Hier können Sie solche Möglichkeiten ausprobieren :
