为了验证 CAN 生成的图像是否“有创意”，论文作者特意做了几组实验。他们请 Amazon MTurk 上的人类参与者观看 GAN、DC-GAN、CAN 生成的图像和人类画家的作品，然后评估图像的创新程度、复杂程度、让人意外的程度，以及是人类画家创作的，直播，还是计算机生成的等问题。

结果如下表所示。

从第二栏 Novelty 得分可以发现，参与实验的人类志愿者认为，CAN 生成的图像较之艺术家作品（下面两行）在创意上相差不大，j2直播，甚至超过了抽象派艺术家。

参与实验的人还认为，CAN 比 GAN 更加“创新”——评判是由人创作的还是计算机生成的提问 Q6，结果是 75% vs. 65%。

至于是 CAN 更有创意，还是人类画家更有创意，论文作者并没有给出确切的回答。要了解更多，在看完摘要后，可以下载他们的论文，对实验以及思路有详细的介绍。

创意生成网络 CAN：学习风格并从学会的风格偏离，生成“艺术”

摘要

我们提出了一个新的艺术创作系统。这个系统能够通过观看图像学习风格进行艺术创作。不仅如此，这个系统还能偏离已经学会的风格，增强生成图像的唤醒能力（arousal potential），从而变得具有创造力。我们建立了生成对抗网络（GAN），GAN 在接收给定分布的输入后，能够学习生成全新的图像。我们认为，GAN 结构原本生成有创意的产品的能力有限。我们通过修改网络的目标，使其最大限度地偏离已经确立的风格，同时最小限度地偏离艺术分布，从而创造有创意的图像。我们进行了实验，比较了人类参与者观看系统生成的图像和艺术家创作的画作的反应。结果表明，人类参与者无法分辨系统生成的图像和当代艺术家在顶级艺术博览会中展示的画作。