采用CycleGAN模型生成石材與蕾絲紋理的創意設計思考

鐘以恒 鐘尚平

摘? 要：基于循環一致生成對抗網絡（CycleGAN）模型，生成了石材隨機紋理和蕾絲規則紋理兩大類型圖像。根據視覺效果技術指標計算、生成蕾絲紋理的視覺創作缺點分析，以及設計師主觀評價，揭示了兩類生成圖像具有的藝術價值和不同的應用價值：可直接使用生成的石材紋理，而須經過加工才能使用生成的蕾絲紋理，但可直接利用其多樣無窮的靈感和創意。面對類似蕾絲的規則紋理平面創意設計，“人-機”協同是時代發展的必然。

關鍵詞：CycleGAN模型;石材隨機紋理;蕾絲規則紋理;創意設計思考

無論是在現實世界還是在視覺藝術中，紋理都是重要的感知元素[1]，紋理提供了豐富的細節和多樣性，這對計算機圖形而言是必不可少的。如圖1所示，圖像紋理可分為規則紋理和隨機紋理及其域變形和范圍變形[2]。來自大自然的石材紋理表現出耗散結構[3]，是典型的隨機紋理，主要包括大理石和花崗巖兩大紋理類型。如圖2所示：從左到右，前三幅為大理石圖像，后三幅為花崗巖圖像。蕾絲是鏤空織物，是人工或機器編織的網眼組織，其紋理具有一定的規則，在女裝特別是晚禮服和婚紗上用得很多，也經常使用于服裝的袖口、領襟和襪沿。圖3為蕾絲紋理圖像示例。

行業調查表明，用于仿石材瓷磚的石材紋理圖案必須突破簡單拷貝天然石材紋理，而用于服裝設計的蕾絲紋理圖案必須突破人類設計師的創意枯竭，加入計算創意元素，才能滿足市場對產品的多樣化、藝術化和個性化等裝飾需求。傳統的紋理圖像計算機生成方法通過構造紋理描述特征函數，很難有效準確地反映真實圖像的分布，使得產生的紋理圖像在多樣性、清晰度等方面性能欠佳。

2014年GoodFellow等提出生成對抗網絡（Generative Adversarial Nets， GANs）[4]，就引起了學術界的廣泛關注，成為人工智能及深度學習領域的研究熱點。其最直接的應用，就是用于圖像、視頻、自然語言和音樂等多種媒體的生成。目前GANs應用于圖像紋理生成有兩類方式，即有監督方式和無監督域映射方式。作為典型的無監督域映射GAN模型，循環一致生成對抗網絡[5]（Unpaired Image-to-Image Translation using Cycle-Consistent Adversarial Networks， CycleGAN）引入了循環一致損失函數，可以生成質量較高的圖像，特別是針對目標輸出無法明確定義的圖像生成任務。

本文基于CycleGAN模型生成石材與蕾絲紋理圖像，從清晰度、多樣性、與訓練集的近似程度等方面評估其視覺效果，分析其具有的創意設計美學藝術價值;在平面創意設計的應用價值和應用方法視角下，區分石材隨機紋理和蕾絲規則紋理，揭示了生成的石材隨機紋理具有直接應用價值，而生成的蕾絲紋理圖像含有視覺創作缺點：不具有對稱與平衡的構造，也不具有簡潔與留白的意境，需要經過人類設計師的加工才能在平面創意設計中使用。但是人工智能對抗生成方法可無限生成多樣性的蕾絲圖像，理論上可以持續快速、無窮地給人類設計師提供輔助設計靈感和創意，節約設計師的時間和精力。因此，面對類似蕾絲的規則紋理圖像的平面創意設計，“人-機”協同，人工智能與人類設計師交叉融合和協同共進是時代發展的必然。

一、基于CycleGAN生成的石材與蕾絲紋理圖像及其視覺藝術價值

我們從福建南安石材交易市場自采集了197類、共8萬張石材紋理圖像，處理成256×256大小規格的石材圖像集。另外，我們從福建長樂某蕾絲貿易公司自采集了6大類、共5萬張蕾絲紋理圖像，處理成256×256大小規格的蕾絲圖像集。在Tensorflow深度學習框架下基于CycleGAN模型完成實驗，開發語言為python 3.5.2，使用4塊NVIDIA GTX 1080Ti GPU。實驗中，我們從石材圖像集中隨機選取大理石和花崗巖圖像各2萬張作為訓練樣本，用近2×48小時分別訓練成模型，并據此生成了大理石和花崗巖圖像各1萬張（可無限生成圖像），圖4和圖5為生成的大理石和花崗巖紋理圖像示例;另一方面，我們從蕾絲圖像集中隨機選取2萬張作為訓練樣本，用近48小時訓練成模型，并據此模型生成了蕾絲圖像1萬張（可無限生成圖像），圖6為生成的蕾絲紋理圖像示例;另外，我們還從蕾絲圖像集中隨機選取1萬張作為“紋理”訓練樣本，以及從石材圖像集中隨機選取1萬張作為“風格”訓練樣本，用近48小時訓練成模型，并據此模型生成了帶石材風格轉換的蕾絲圖像1萬張（可無限生成圖像），圖7為生成的帶石材風格轉換的蕾絲紋理圖像示例。

目前，通過評價生成圖像的視覺效果來刻畫GAN模型的性能，具體方法如：通過計算Inception Score[6]、FID[7] （Frechet Inception Distance）等技術評價指標，來評估生成圖像的清晰度、多樣性以及與訓練集的近似程度等視覺效果。另外，由于風格轉換圖像的清晰程度與“風格”訓練樣本的紋理背景保持一致，清晰程度很難準確反映圖像風格轉換的效果;在多樣性和近似程度上，風格轉換圖像不同于“紋理”訓練樣本和“風格”訓練樣本，而是融合了兩者的特征，無法采用多樣性和近似程度指標去衡量。因此，在對圖像風格轉換圖像（如圖7）的視覺效果評價上，目前沒有合適的技術評價指標，主要根據人的主觀感受去衡量視覺效果的優劣。

研究[8]及根據人的主觀感受去衡量圖4、圖5、圖6、圖7的視覺效果表明：基于CycleGAN生成的石材與蕾絲紋理圖像的清晰度、多樣性以及與訓練集的近似程度等性能良好。

按視覺傳達設計原理[9]，平面創意設計不僅通過分析美學產生的視覺刺激，從而進行心理層面的影響，以此達到有效的視覺傳達效果，體現藝術價值;同時，也要求達到視覺效果與使用功能的統一，將美學與應用價值相結合，注重設計作品的交互性、功能性、人性化等方面。上述表明：基于CycleGAN生成的石材與蕾絲紋理圖像的視覺傳達效果良好，具有美學藝術價值。以下將從平面創意設計的角度，分析基于CycleGAN生成的石材與蕾絲紋理圖像的應用價值及設計問題。

二、采用CycleGAN生成的石材與蕾絲紋理的創意設計應用價值及應用方法

在平面創意設計中，設計師會遇到“命題作文”的需求，即給定某個設計目的或某種藝術風格進行創作[10]。因此，在平面創意設計視角下，基于CycleGAN生成的石材、蕾絲紋理圖像要達成某個設計目的，就首先要回答如下基礎性問題：有應用價值嗎？價值幾何？怎么用？

（一）基于CycleGAN生成的石材與蕾絲紋理圖像的應用價值

石材與蕾絲行業調研結果表明：無論是具有自然隨機紋理特性的石材圖像，還是具有規則紋理特性的蕾絲圖像，目前都欠缺判斷其是否具有及具有多少應用價值的技術評價指標，只能依據人類設計師的主觀評判。根據相關企業多名創意設計師對如圖4、圖5、圖6、圖7所示圖像的主觀評價可以得出：

1.從可用性角度看，目前以CycleGAN作為代表的人工智能對抗生成方法更適合生成隨機紋理圖像。也就是說，基于CycleGAN生成的石材圖像與自然產生石材圖像的異同已很難分辨，可直接用于生產如大理石瓷磚等產品;而生成的蕾絲紋理圖像只能給予人類設計師靈感和創意，需要經過人類設計師的再加工才能應用;

2.人類設計師做設計項目有了一定經驗后，往往能摸索出套路或規律性的設計方法，這可以少走彎路，提高效率，但往往也失去了設計的新意。創新一直是設計界所追隨的目標。設計師是否具備創新思維與創新能力，往往決定著設計師的高度與作品呈現出的藝術價值。相比人類設計師，人工智能對抗生成方法可無限生成多樣性的石材與蕾絲圖像，可以持續快速（理論上）無窮地給人類設計師提供（輔助）設計靈感和創意，從而滿足新時代產品設計的個性化需求，結合現代設計理念，有效提升設計高度。

（二）基于CycleGAN生成的蕾絲紋理圖像的視覺創作缺點

按蕾絲行業設計師和視覺創作常用的美學原理：蕾絲紋理一般需要具有對稱與平衡的構造。對稱的設計，可以使人產生平和、莊重、嚴謹的心理感受，而平衡的擺放可以給人心理上帶來穩定的感受。在視覺的形式美中，平衡性是形式美的核心。從陰陽太極圖案到傳統年畫、剪紙、工藝品上的圖案等，多數都采用了平衡的設計語言，使畫面在輕重上體現出和諧的視覺效果，而不平衡則用來表現自然的特性（如：石材圖像等）。如圖6、圖7所示，基于CycleGAN生成的蕾絲紋理圖像目前并不具有平衡性。

另外，按視覺創作常用的美學原理，人類設計師常常使用“簡潔與留白的意境”設計?！傲舭住敝干倭康膱D像為主體，具有一定章法和節奏地在畫面上留出空間，給受眾留有想象的余地，給畫面一種正在呼吸的感覺。這一手法也是極具中國美學特征的。在樸素的設計作品中美學不在于設計形式上的復雜性，而在于對至微細節的掌控，這種掌控其實也源自對所要表達的主題的深入研究。也就是說，人類設計師往往會主觀地控制畫面的構圖，虛實相生，而使我們想要表達的設計變得主旨更突出、核心更概括、圖像也因此而更加具有意境美。一味堆積設計元素有時反而會使得畫面顯得擁擠，化繁為簡既是設計的美學，也是生活的哲學。如圖7所示，基于CycleGAN模型生成的帶石材風格轉換的蕾絲紋理圖像，畫面擁擠，整體視覺效果不夠簡潔、大氣，目前的人工智能顯然還不具備人的情感和想象力。

（三）如何用好基于CycleGAN生成的石材與蕾絲紋理圖像

如上述，基于CycleGAN生成的石材圖像的可用性好，可以直接用于生產如大理石瓷磚等產品。我們討論：怎么才能用好基于CycleGAN生成的蕾絲紋理圖像？

由上所述，基于CycleGAN生成的蕾絲紋理圖像目前只能作為人類靈感和創意的來源，需要經過人類設計師的再加工才能使用。因此，要用好它，首先人類設計師需提煉出設計目標和設計需求，待CycleGAN模型產出多種創意設計圖像后，設計師去挑選他們喜歡的創意方案，或者進行不斷地重新組合，直至產生最滿意的結果。實際上，通過以上工作，機器能夠快速設計出符合特定內容和風格的圖像，輔助設計師完成草稿;針對上節所述的生成圖像的創作缺點，由人類設計師進行創意修改和細節深入?？偟膩碚f，人工智能不僅給人類設計師提供（輔助）設計靈感和創意，同時也節約了設計師的時間和精力[11]。

在基于CycleGAN生成石材與蕾絲紋理圖像的設計實踐中，人工智能系統作為輔助創意設計的工具，已經達到了創作或輔助創作的標準，具有較好的應用前景。

三、石材與蕾絲圖像的人工智能對抗生成與人類創意設計的協同共進

在石材與蕾絲圖像的基于CycleGAN的人工智能對抗生成實際中，我們再一次看到：機器適合生成隨機紋理，如石材圖像;而對類似蕾絲的規則紋理圖像的生成，機器僅僅可以承擔部分創造性工作，但是最具創新意義的轉換創造，目前只能通過“人-機”協同的方式完成[12]。也就是說，基于目前的技術和算法能力，人工智能生成的蕾絲紋理設計結果相比人類設計師的作品還是非常初級的，甚至存在基本的視覺創作缺點。這正說明了人類設計師的不可取代性，人的情感和想象無可替代[13]。

另外，綜上所述可知：在美學藝術和應用價值評估方面，無論是針對具有自然隨機紋理特性的石材圖像，還是針對具有規則紋理特性的蕾絲圖像，目前都缺少較為準確的技術評價指標，只能依據人類設計師的主觀評判。

但是在這個融合協同的時代，人工智能已經可以輔助設計師完成重復性的勞動，提高人類設計師的工作效率，因此，設計師更需要了解人工智能技術，懂得將它作為一個強大的輔助設計工具來使用。另一方面，目前的人工智能是沒有理解能力的，更談不上具備人的情感和想象，人工智能永遠在路上[14]。社會和時代的發展為人工智能提供了學習、理解和輔助人類創意設計的機會。

四、結語

針對基于CycleGAN模型生成的石材隨機紋理和蕾絲規則紋理兩大類型圖像，技術指標及主觀評價表明：基于CycleGAN模型可生成具有美學藝術價值的石材與蕾絲紋理圖像。另外，行業設計師認為：生成的石材隨機紋理圖像可用性好，而生成的蕾絲規則紋理圖像不具有對稱與平衡的構造，也不具有簡潔與留白的意境，需要經過人類設計師的加工才能使用。但鑒于人工智能對抗生成方法可無限生成多樣性的蕾絲圖像，可以持續快速、無窮地給人類設計師提供輔助設計靈感和創意。因此，只要通過“人-機”協同的方式，我們相信，人和未來的機器將共同創造出更好的創意設計，促進設計行業變革，滿足新時代產品設計的個性化需求。

參考文獻：

[1]Bergmann U， Jetchev N， Vollgraf R. Learning Texture Manifolds with the Periodic Spatial GAN[C]// Proceedings of the 34th International Conference on Machine Learning， Sydney， Australia： ACM， 2017：469-477.

[2]Georgiadis G， Chiuso A， and Soatto S. Texture Compression[C]//Proceedings of the IEEE Data Compression Conference， Snowbird， Utah， USA： IEEE， 2013：221-230.

[3]申維.耗散結構、自組織、突變理論與地球科學[M].北京：地質出版社，2008.

[4]Goodfellow I J， Pouget-Abadie J， Mirza M， et al. Generative Adversarial Nets[C]//Proceedings of the International Conference on Advances in Neural Information Processing Systems， Montreal， QC， Canada： MIT Press， 2014：2672-2680.

[5]Zhu J Y， Park T， Isola P， et al. Unpaired Image-to-Image Translation Using Cycle-Consistent Adversarial Networks[C]// Proceedings of the International Conference on Computer Vision， Piscataway， NJ，USA：IEEE， 2017： 2242-2251.

[6]Salimans T， Goodfellow I， Zaremba W， Cheung V， Radford A， Chen X. Improved Techniques for Training Gans[C]// Proceedings of the International Conference on Advances in Neural Information Processing Systems， Barcelona， SPAIN： MIT Press， 2016： 2234–2242.

[7]Heusel M， Ramsauer H， Unterthiner T， Nessler B， and Hochreiter S. GANs Trained by a Two Time-scale Update Rule Converge to a Local Nash Equilibrium[C]// Proceedings of the International Conference on Advances in Neural Information Processing Systems， Long Beach， USA： MIT Press， 2017：6629–6640.

[8]徐強，鐘尚平，陳開志，張春陽.不同紋理復雜度圖像生成中CycleGAN循環一致損失系數優化選擇方法[J].計算機科學，2019（1）：100-106.

[9]曹方.視覺傳達設計原理[M].南京：江蘇美術出版社，2014.

[10]杜宇慧.美學思想在視覺設計中的體現[J].數碼設計，2019（9）：20.

[11]高峰，焦陽.基于人工智能的輔助創意設計[J].裝飾，2019（11）：34-37.

[12]范向民，范俊君，田豐，戴國忠.人機交互與人工智能：從交替浮沉到協同共進[J].中國科學：信息科學，2019（3）：361-368.

[13]范迪安.一堂好課——范迪安談未來的人工智能[EB/OL].[2020-03-16].http：//tv.cctv.com/2019/12/08/ VIDEQtsm9rjpn9Q3l0ZDSVjA191208.shtml.

[14]張鈸.走向真正的人工智能[EB/OL].[2020-03-16].https：//baijiahao.baidu.com/s？id=1604667011248503461&wfr=spider&for=pc.

作者簡介：鐘以恒，東南大學藝術學院。

鐘尚平，博士，福州大學數字與計算機科學學院教授。研究方向：機器學習。