基于智能生成技术的传统招幌创新设计_陈莹燕.pdf

前沿与动态INDUSTRIAL DESIGN 工业设计 /101基于智能生成技术的传统招幌创新设计INNOVATIVE DESIGN OF TRADITIONAL SHOP SIGN BASED ON INTELLIGENT GENERATION TECHNOLOGY 武汉轻工大学陈莹燕（通信作者）李淑彤视觉概念网络模型进行组合，通过算法训练和参数调整，使计算机能够挖掘指定的跨领域事物之间的潜在联系，从而生成新的信息，这些算法有助于在给定预设目标的情况下进一步探索，并跟踪算法从概念到结果的思维过程。因此，有望通过人工智能设计的方法来学习传统招幌的视觉表现及风格，在尽可能保持其原有视觉风格特点的基础上来进行智能生成。这样既有利于设计师摆脱既定的思维框架，又能借助人工智能技术提供的各种支持，激发设计师的创作灵感，开拓设计思路，使设计出的产品更加多样化与全面化2。但由于 GAN的程序需要收集大量的训练与数据，目前从一些传统历史文献、书籍、照片档案中收集到的传统招幌比较有限，只能尝试根据其形象特征重构制作出一些招幌图案。文章通过利用设计学图像处理算法与计算机智能图形生成算法来进行图形数据的增强，构建了一个可包含多达 1000 张图片 PNG 格式的矢量传统招幌图案数据集合，运用 GAN 来自动生成传统招幌。2中国传统招幌分析我国“招幌”的形态表现有着近百年的历史。在原始社会时期，招幌以实物成列、口头叫卖声为主；春秋战国两汉时期，行商多以声响、演示幌子广告；坐商多以实物为幌、文字为幌（酒旗）。秦汉时期，出现了视听广告，商人用工具发声；实物展示中出现了一种新形式的垆（指放置酒缸的土桌）。北魏时期，实物陈列幌直接展示了商品本身的实物质量和特点。隋唐时期，挂在商店门前作为标志的牌子（招牌）开始出现，洛阳率先流行起“挂牌经营”和酒旗，灯笼广告也在此后开始盛行。宋元时期，抽象的幌子日益增多，开始逐渐重视装饰，采用了夸张的旗帘造型（瓶、勺、扫帚、构、碗等）装饰，形状开始从原来单一的三角形逐步变化成长方形等；颜色也从使用单一的颜色逐渐过渡到使用更为鲜艳而明亮的色彩，应用形式方面也已不断趋于完善，范围基本涵盖各种大型艺术建筑（包括彩楼、门等）。当时的店铺幌子除了有店铺行业身份识别的基础作用，还增加了一些更具自身特色的个体标识。到了元明清历史时期，从招幌的表现形式上看，大多是对中国古代早期实物展示招幌的又一种继承与创新，主要代表产品有实物陈列式招幌、实体模型幌（拥有体积及重量的物理形态概念实体物件）、招牌、符号招幌、标志幌、店铺装饰幌等形式；在使用方法上，做到有店必先有幌，一幌一店的水准2。作为中国商业品牌文化输出项目中较典型、较具代表性的视觉载体，招幌文化的核心地位正式确立，成为中国民俗文化宝传统招幌是古代商家吸引顾客、促进销售和建立品牌的主要手段，它的形成源于古代商业活动中的宣传需要，其材质自然朴素，造型直观规整，色彩朴素明快，图案吉祥，历史悠久，并贯穿于传统文化和民俗之中。而如今，智能生成技术如雨后春笋般纷纷涌现，其应用也广泛渗透到了诸如计算机视觉、文化保护、自然语言处理之中。运用智能生成技术将传统招幌加以保护和创新，已成为当下文化建设的重要任务。通过将两者的结合可以更加精准地诠释传统招幌的信息内容，表达信息理念，更加形象化、细节化、视觉化实现非物质文化遗产传承1。1智能生成研究现状近年来，卷积神经网络、生成对抗网络（GAN）等深度学习技术日趋成熟，这些技术能生成符合源数据样本风格相似的图像，使越来越多不同领域的研究者和商业公司更关注智能生成技术。在现阶段，基于深度学习的生成设计可以将语义概念网络模型和摘要：文章以传统招幌为研究对象，进行图像数据采集与智能分析，提取中国传统风格特征的招幌图案，同时通过数据增广的方式获得中国的传统风格招幌图案数据集。基于该数据集，使用生成对抗网络模型来计算招幌中图案之间的数据分布，生成不同的招幌样式。通过智能生成对抗网络学习传统招幌的形象特征，取得了较好的线稿输出效果，为传统文化的收集和非物质文化遗产传承与收集提供了新的思路。关键词：中国传统招幌；智能生成；视觉传达；生成设计中图分类号：TB472文献标识码：A文章编号：1672-7053(2023)01-0101-03Abstract：Taking traditional signboards as research object,carry out intelligent image data acquisition and intelligent analysis,extract the signboard patterns with Chinese traditional style characteristics,and obtain the data set of Chinese traditional style signboard patterns by means of data expansion.Based on the pattern data set,the generation countermeasure network model is used to calculate the data distribution between patterns,and generate different signage style.By learning the image characteristics of traditional signboards with generation against network,we have achieved good online manuscript output effect,which provides a new idea for the collection of traditional culture and the inheritance and collection of intangible cultural heritage.Key Words：Chinese Traditional Signboard;Intelligent Generation;Visual Communication;Generate Design作者简介陈莹燕（通信作者）/1973 年生/女/湖北武汉人/教授/研究方向为文化创意设计与品牌设计（湖北武汉 430023）李淑彤/1998 年生/女/湖南岳阳人/在读硕士研究生/研究方向为视觉传达设计与生成设计（湖北武汉 430023）前沿与动态102/INDUSTRIAL DESIGN 工业设计库中极为重要的一部分。除此之外，我国“招幌”的文字记载也可以追溯到几百年前，如韶庐的商标考、佚名的北京民间生活彩图和孟元老的东京梦华录等，这些传统文字主要简述了招幌的应用类型，并没有进一步的深入剖析3。随着当代艺术研究者对中国传统视觉艺术越来越重视，传统招幌的视觉形象研究也多了起来，研究方向也逐渐向民间工艺美术靠拢。如今，由传统招幌设计演变出的广告设计领域，智能技术已经渗入广告创作环节的工具辅助阶段。智能技术分解创意环节，实现了由整体到局部的拆解，广告创意变成了可拆分、可重组的元素组合，程序化创意将色彩、字体、文字、图片等不同部分分割开来，并组成为多种组合，这很大程度上打破了“千人一面”的传统创意模式4。一些学者也开始关注中国古代各种招幌广告形式的研究，但缺乏从智能生成与保护角度的系统整理，大多是零星的文章，研究性不强。随着时代进步，不同形式的招幌所伴随的经济背景、商业环境均产生了多方面的历史变化，在大量搜阅了相关信息之后，发现有关各种招幌形式的研究资料大多仅以简单文字形式的特征描述为主，单着眼于描述出在某种经济背景和特殊环境背景下所产生出的招幌，缺少对招幌的图片记录，导致许多传统招幌的图像流失严重。传统招幌急需融合当代审美，进行传承与革新，并将人工智能为代表的新技术融入其中，寻找新的发展机遇。3基于智能生成的传统招幌设计实验3.1GAN 相关工作近年来，深度学习的发展逐步加深，一种新的算法出现在智能生成领域，即 GAN。它是由 Ian GoodFellow 公司 2014 年提出的算法模型，主要目标是通过学习真实世界中的图片风格去智能生成创作一些新的图片。相比于传统的神经网络模型，GAN 是一种非监督类型的深度学习方法5，它包括两个主要部分生成器和鉴别器，让这两者之间互相对抗，达到一种均衡，从而生成出工作者想要的图像。鉴别器的主要作用是鉴别出一张图片到底是真实显示的图片还是完全虚假的图像；生成器用于随机生成一个样本，并能将它转作为假样本。生成器的工作目标其实是以伪造训练图片来欺骗鉴别器，让鉴别器完全无法从中分辨出来真假，做法则是通过选取训练图片数据中潜在空间的元素来进行随机组合，并加入一些随机的噪音，作为假数据输入鉴别器。在实际训练的过程中，鉴别器还会自动接收到真实训练数值和生成器产生出的伪训练数值，鉴别器的任务是判断图片是属于真数据的还是假数据。该训练会一直持续到平衡和谐的状态。训练结束后产生的则是一个满足固有特性要求的自动生成器和一个判定能力较强的鉴别器。前者可以用于机器创作，后者则用来机器分类。在智能生成中，GAN 有着更为广阔深远的现实应用与前景，理论上能训练任何一种生成器网络。首先，GAN 能更好地对数据分布建立模型，使图像更锐利、清晰等。其次，GAN 无需像马尔科夫链采样那样在学习进程中进行推测，也没有复杂的变分下界，可以几乎完美的避开因相似计算值而感到棘手的问题6。3.2传统招幌的数据集构建要使用 GAN 生成传统招幌，首先需要构造一个招幌数据集，由于可找到的招幌图片数量有限，且颜色各异，且 GAN 对于数据的要求较高，为了降低 GAN 的训练难度，提高生成效果。此次实验对彩色图片进行边缘提取转化成黑白图片，过程为使用高斯滤波器平滑图像。计算梯度的范围和减弱方向并在梯度增加的数值范围内执行 NMS（非最大值抑制）。随后使用阈值算法进行边缘检测。最后经过 canny 算子进行边缘提取，得到了 1158 张二值图片。3.3传统招幌的生成此次实验采用使用 GAN 生成传统招幌。由于原始 GAN 存在一定的局限性，例如生成质量差、训练缺乏稳定性，后来研究人员在训练稳定性上进行了一系列改进。WGAN 使用 Wasserstein距离数据来定量描述所观察了解到的一些真实现象，来减轻 GAN中发生的模式崩溃7。WGANGP 提出了使用梯度惩罚的策略来代替在WGAN中的权重被截断，从而可产生更为出色的图像效果，并有效地避免了模式的崩溃8。LSGAN 使用了最小的二乘损失函数，缓解了 GAN 训练结果不完全稳定和生成的图像多样性不足引起的问题9。SAGAN 引入到了自适应注意力机制，并在首次实现在图像生成器系统中使用谱归一化，生成出了一些相对较高质量的图像。BIG-GAN 通过采用大模型和更大的参数量而获得了性能大幅度地提升，使图像拥有更高的分辨率10。在目标图像风格转换的任务中，Pix2Pix 可以采用成对数据集，将同一目标域上所有的目标图像作监督的信息数据集，然后分别独立指导完成风格迁移11。Cycle-GAN 通过使用非平行的数据集，采用一致性损失，使用双层生成对抗网络来完成风格转换的任务12。通过加入空间注意力机制，对 DCGAN 网络进行改进，以达到更好的图片生成效果。卷积神经网络系统（CNN）在可监督学习领域的各种学习任务上总体表现比较良好，但在无监督的学习任务领域上表现比较不佳。DCGAN 结合有监督学习系统中使用的 CNN 和在无监督学习系统中使用的 GAN，使得网络训练稳定，快速收敛。且在每个卷积层之后加入空间注意力机制（SE block），使得网络更关注生成图片的空间特征，改进之后的DCGAN 网络生成器和鉴别器分别如图 1、图 2 所示。文章所提出的图像生成模型采用图像生成对抗网络的思想，使用深层的神经网络理论来解释学习的数据风格特征