Percepcja obrazów generowanych przez sztuczną inteligencję: w stronę zrozumienia odbiorcy
DOI:
https://doi.org/10.24917/20811861.23.23Słowa kluczowe:
obrazy SI, grafiki GAN, eye tracking, okulografia, percepcja wizualna, chat GPTAbstrakt
Teza i cel: W ostatnich latach zauważalnie wzrósł poziom fotorealizmu obrazów generowanych przez algorytmy sztucznej inteligencji. Celem artykułu jest ocena realizmu tych obrazów poprzez ich porównanie z rzeczywistymi fotografiami czterech kategorii obiektów: twarzy ludzkich, kotów, samochodów i budynków.
Metodologia: Badanie miało charakter eksperymentalny i zostało przeprowadzone z wykorzystaniem techniki eye-trackingu, jako eksperyment wspomagany ankietą oraz testem. Respondenci oceniali autentyczność prezentowanych obrazów, a zebrane dane obejmowały analizy fiksacji, czasu spojrzeń oraz wyniki kwestionariuszy uzupełniających. Wykorzystano testy statystyczne w celu identyfikacji różnic między grupami uczestników.
Wyniki: Najtrudniejsze do prawidłowego rozpoznania okazały się obrazy przedstawiające twarze ludzkie, natomiast najłatwiejsze – samochody i budynki. Analiza wzorców spojrzeń ujawniła różnice zależne od płci i poziomu wiedzy respondentów. Osoby posiadające większe doświadczenie w grafice generatywnej częściej koncentrowały się na artefaktach typowych dla obrazów tworzonych przez sztuczną inteligencję .
Wnioski: Percepcja realizmu obrazów generowanych przez sztuczną inteligencję jest zależna od doświadczenia odbiorcy oraz rodzaju przedstawionego obiektu. Wyniki badania wskazują na potrzebę dalszej eksploracji procesów poznawczych towarzyszących ocenie autentyczności obrazów oraz formułują rekomendacje dla twórców i użytkowników algorytmów generatywnych w kontekście rozwoju współczesnej sztuki wizualnej.
Bibliografia
AI or Not – AI Detection for Truth Seekers, [on-line:] https://www.aiornot.com – 14.11.2025.
Duchowski A.T., Eye-tracking methodology, Springer, Berlin 2017.
Fallis D., The epistemic threat of deepfakes, „Philosophy & Technology” 2021, vol. 34, s. 623–643, https://doi.org/10.1007/s13347-020-00419-2.
Goodfellow I.J., Pouget-Abadie J., Mirza M., Xu B., Warde-Farley D., Ozair S., Courville A., Bengio Y., Generative Adversarial Networks, [w:] Advances in Neural Information Processing Systems, 2014, vol. 2, https://doi.org/10.48550/arXiv.1406.2661.
Holmqvist K., Nyström M., Andersson R., Dewhurst R., Jarodzka H., van de Weijer J., Eye-tracking: a comprehensive guide to methods and measures, Oxford University Press, Oxford, 2015.
Jacques J., How to Identify AI-generated and Fake Images, 2023, https://jacquesjulien.com/identify-fake-images/ – 16.05.2025.
Kamali N., Nakamura K., Chatzimparmpas A., Hullman J., Groh M., How to Distinguish AI-Generated Images from Authentic Photographs, Northwestern University, 2024, https://doi.org/10.48550/arXiv.2406.08651.
Karras T., Aila T., Laine S., Lehtinen J., Progressive growing of GANs for improved quality, stability, and variation, [w:] International Conference on Learning Representations, 2018, [on-line:] https://www.researchgate.net/publication/320707565 – 18.11.2025.
Khanna N., Chiu G.T.C., Allebach J.P., Delp E.J., Forensic techniques for classifying scanner, computer generated and digital camera images, [w:] IEEE. International Conference on Acoustics, Speech and Signal Processing, IEEE, 2008, https://doi.org/10.1109/ICASSP.2008.4517944.
Lalonde J.F., Efros A.A., Using color compatibility for assessing image realism, [w:] IEEE. International Conference on Computer Vision, IEEE, 2007, https://doi.org/10.1109/ICCV.2007.4409107.
Lyu S., Farid H., How realistic is photorealistic?, „IEEE Transactions on Signal Processing” 2005, vol. 53, issue 2, s. 845–850, https://doi.org/10.1109/TSP.2004.839896.
Moshel M.L., Robinson A.K., Carlson T.A., Grootswagers T., Are you for real? Decoding realistic AI-generated faces from neural activity, „Vision Research” 2022, vol. 199, https://doi.org/10.1016/j.visres.2022.108079.
OpenAI, ChatGPT (wersja GPT-4) [Model językowy], 2025, [on-line:] https://chat.openai.com/ – 16.05.2025.
Patel D.M., Artificial Intelligence & Generative AI for Beginners: The Complete Guide (Generative AI & Chat GPT Mastery Series), Independently published, 2023.
Park E.,. Kim K.J, del Pobil A.P., Facial Recognition Patterns of Children and Adults Looking at Robotic Faces, „International Journal of Advanced Robotic Systems” 2012, vol. 9, issue 1, https://doi.org/10.5772/47836.
Smołucha D., Eye-tracking in Cultural Studies, „Perspektywy Kultury” 2019, t. 27, nr 4, s. 169–183, https://doi.org/10.35765/pk.2019.2704.12.
Tauscher J.P., Castillo S., Bossey S., Magno M., EEG-Based Analysis of the Impact of Familiarity in the Perception of Deepfake Videos, [w:] IEEE. International Conference on Image Processing (ICIP), IEEE, 2021, https://doi.org/10.1109/ICIP42928.2021.9506082.
How to spot AI-generated images, Techoist, 24.01.2013, [on-line:] https://www.youtube.com/watch?v=zqRcjbft3zg – 16.05.2025.
Twardoch-Raś E., Co widzą sieci neuronowe? Strategie widzenia maszynowego w projektach artystycznych opartych na technikach rozpoznawania i analizy twarzy, „Kultura Współczesna” 2023, nr 1 (121), https://doi.org/10.26112/kw.2023.121.03.
Tsagaris A., Pampoukkas A., Create Stunning AI Art Using Craiyon, DALL-E and Midjourney: A Guide to AI-Generated Art for Everyone Using Craiyon, DALL-E and Midjourney, Independently published, 2022.
Hees J. van, Grootswagers T., Quek G.L., Varlet M., Human perception of art in the age of artificial intelligence, „Frontiers in Psychology” 2025, vol. 15, https://doi.org/10.3389/fpsyg.2024.1497469.
Wawer R., Wawer M., Wykorzystanie nowoczesnych technik komputerowych do pomiaru emocji na podstawie badania fotografii, „Annales Universitatis Paedagogicae Cracoviensis. Studia De Cultura” 2011, t. 2, s. 49–57, [on-line:] https://studiadecultura.uken.krakow.pl/article/view/1572 – 22.11.2025.
Wang Y., Moulin P., On discrimination between photorealistic and photographic images, [w:] IEEE. International Conference on Acoustics, Speech, and Signal Processing, IEEE, 2006, https://doi.org/10.1109/ICASSP.2006.1660304.
Wang H.Y.Z., Wang X., Expertise differences in cognitive interpreting: A meta-analysis of eye-tracking studies across four decades, „Wiley Interdisciplinary Reviews: Cognitive Science” 2024, vol. 15, issue 1, https://doi.org/10.1002/wcs.1667.
Yarbus A.L., Eye Movements and Vision, Springer, Boston 1967.
Xiang J., On generated artistic styles: Image generation experiments with GAN algorithms, „Visual Informatics” 2023, vol. 7, issue 4, s. 36–40, https://doi.org/10.1016/j.visinf.2023.10.005.
Pobrania
Opublikowane
Jak cytować
Numer
Dział
Licencja
Prawa autorskie (c) 2026 AUPC Studia ad Bibliothecarum Scientiam Pertinentia
Utwór dostępny jest na licencji Creative Commons Uznanie autorstwa 4.0 Międzynarodowe.
