随着科技的不断进步，越来越多的艺术领域开始应用机器学习技术。在画画领域，机器学习已经被应用到了绘画原神游戏角色的工作中。同时由于原神游戏角色的特殊性，绘制芭芭拉这一角色也成为了很多画师的关注点。在这篇文章中我们将为大家介绍一些画画教程原神芭芭拉攻略以及机器学习画画技术的内容，帮助大家更好地了解这两个领域的发展趋势，以及如何使用这些技术来提高自己的绘画技能。
机器学习画画技术
DALL·E: 从文字中创造图像简介
DALL·E是GPT-3的120亿参数版本，经过训练，使用文本-图像对的数据集，从文本描述中可以生成图像。我们发现它有一系列不同的功能，包括创建动物和物体的拟人化版本、以合理的方式组合不相关的概念、渲染文本，以及对现有图像进行转换。
实例文本：an illustration of a pikachu in a wizard hat making a snowman(一只戴着巫师帽的皮卡丘在堆雪人)
图像渲染：
DALL·E有时能够将一些人类活动和服装转移到动物和无生命物体上，如食物。为了探索DALL·E融入大众潮流媒体的能力，我们把“皮卡丘”和“挥舞蓝色光剑”也包含了进去。
我们发现DALL·E使人体器官适应动物的方法很有趣很有趣。例如，当被要求画一个擤鼻涕、喝拿铁或骑独轮车的日本萝卜时，DALL·E经常把手帕、手和脚画在合理的位置。
文本：an illustration of a baby daikon radish in pajamas hat blowing its nose(穿睡衣的小萝卜头在擤鼻子)
图像渲染：
GPT-3向我们展示了语言可以用来引导一个大型神经网络完成一系列的文本生成任务。同样的，Image GPT向我们展示了同种类型的神经网络也能够用来生成高还原度的图像。我们通过深入这些发现，证明了通过语言来操纵视觉概念现在已经触手可及。
总览像GPT-3一样，DALL·E是一个语言转换器模型。它将包含多达1280个标记的文本和图像作为单个数据流接收，并使用最大似然法进行训练，以逐个生成所有标记。
此训练过程不仅允许DALL·E从头开始生成图像，而且重新生成现有的图像，并保持与文本说明一致。
我们认识到，涉及生成模型的工作有可能产生重大、广泛的社会影响。在未来，我们计划分析像DALL·E这样的模型是如何与社会问题相关的，比如对某些工作流程和职业的经济影响，模型输出中的潜在偏差，以及这种技术所隐含的长期道德挑战。
能力我们发现，DALL·E能够为含有各种语言成分结构的句子创造意思相近的意象。
可控属性我们测试了DALL·E修改一个对象的几个属性的能力，以及它出现的次数。
文本：a pentagonal green clock. a green clock in the shape of a pentagon(五边形的绿色的钟)
图像渲染：
我们发现，DALL·E可以将我们熟悉的物体渲染成多边形，尽管有些在现实世界中是不太可能发生的。对于某些物体，如“画框”和“平板”，DALL·E可以可靠地将物体画成除七边形以外的任何多边形。DALL·E对更不寻常形状（如“五角大楼”），相对于其它物体，如“井盖”和“停车标志”，成功率要低得多。
重复性的说明，可以提高结果的一致性。
文本：a cube made of porcupine. a cube with the texture of a porcupine
图像渲染：
我们发现DALL·E可以将各种植物、动物和其他物体的纹理映射到三维实体上。
绘制多个物体同时控制多个对象、控制它们的属性和它们的空间关系是一个新的挑战。例如，“一只戴着红帽子、黄手套、蓝衬衫和绿裤子的刺猬”。要正确地解释这句话，DALL·E不仅要正确地将每件衣服与动物组合在一起，还要形成各种联想（帽子、红色）、（手套、黄色）、（衬衫、蓝色）和（裤子），绿色）而不混淆它们。
文本：a small red block sitting on a large green block(一个红色的小方块放在绿色的大方块上)
图像渲染：
我们发现DALL·E对某些类型的相对位置有正确的反应，而对其他类型的相对位置没有反应。当被要求在一个小物体的上面画一个大物体时，DALL·E的成功率也较低。
虽然DALL·E确实为少量对象的属性和位置提供了某种程度的可控性，但成功率取决于文字描述的措辞。随着对象的增多，DALL·E容易混淆对象与颜色之间的关联，成功率急剧下降。
透视与三维可视化DALL·E还允许控制场景的视角和渲染3D场景。
文本：an extreme close-up view of a capybara sitting in a field(坐在田野里的水豚的特写镜头)
图像渲染：
DALL·E可以从不同的角度描绘每一种动物。其中一些视图，如“鸟瞰图”和“后视图”，需要从不寻常的角度了解动物的外貌。其他的，如“特写”，需要动物皮肤或皮毛的精细细节知识。
为了进一步验证这一点，我们测试了DALL·E从一系列等距角度在每个角度重复绘制知名人物头部的能力，并发现我们可以制作头部旋转的平滑动画。
DALL·E似乎能够将某些类型的光学畸变应用到场景中，正如我们通过“鱼眼透镜视图”和“球形全景”选项所看到的那样。这促使我们探索其产生反射的能力。
物体内外结构的可视化从“特写”和“x射线”风格的样本中，我们进一步探索了DALL·E用横截面视图渲染内部结构的能力，以及用宏观照片呈现外部结构的能力。
文本：a cross-section view of a walnut(核桃的横截面图)
图像渲染：
推断上下文细节把文本翻译成图像的任务是不明确的：一个标题通常对应于无限多个似是而非的图像，因此图像不是唯一确定的。例如，考虑标题“日出时一只水豚坐在田野上的绘画”。根据水豚的方位，可能需要画一个阴影，尽管这个细节从未明确提及。我们探讨了DALL·E在以下三种情况下解决欠规范问题的能力：改变样式、设置和时间；在各种不同的情况下绘制同一对象；以及生成一个对象的图像并在其上书写特定的文本。
文本：a capybara sitting in a field at sunrise(一只黄昏时刻坐在田野中的河豚)
图像渲染：
通过不同程度的可靠性，DALL·E提供了通过自然语言访问3D渲染引擎功能子集的途径。它可以独立地控制少量对象的属性，并在有限的范围内控制对象的数量以及它们之间的排列方式。它还可以控制渲染场景的位置和角度，并且可以根据角度和照明条件的精确规范生成已知对象。
与3D渲染引擎不同，3D渲染引擎的输入必须明确且完整，当标题暗示图像必须包含未明确说明的特定细节时，DALL·E通常能够“填补空白”。
官方文档地址：
仅学习使用。
总的来说，学习画画是需要不断努力和练习的。而借助现代技术，如机器学习画画技术，可以更快速地提升我们的画画水平。希望本篇原神芭芭拉攻略和画画教程能够帮助到想要学习画画，提高技能的读者们。
