鐘以恒 鐘尚平

摘? 要：基于循環(huán)一致生成對抗網(wǎng)絡(luò)（CycleGAN）模型，生成了石材隨機紋理和蕾絲規(guī)則紋理兩大類型圖像。根據(jù)視覺效果技術(shù)指標計算、生成蕾絲紋理的視覺創(chuàng)作缺點分析，以及設(shè)計師主觀評價，揭示了兩類生成圖像具有的藝術(shù)價值和不同的應(yīng)用價值：可直接使用生成的石材紋理，而須經(jīng)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(chuàng)意。面對類似蕾絲的規(guī)則紋理平面創(chuàng)意設(shè)計，“人-機”協(xié)同是時代發(fā)展的必然。

關(guān)鍵詞：CycleGAN模型;石材隨機紋理;蕾絲規(guī)則紋理;創(chuàng)意設(shè)計思考

無論是在現(xiàn)實世界還是在視覺藝術(shù)中，紋理都是重要的感知元素[1]，紋理提供了豐富的細節(jié)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(guī)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(xiàn)出耗散結(jié)構(gòu)[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(wǎng)眼組織，其紋理具有一定的規(guī)則，在女裝特別是晚禮服和婚紗上用得很多，也經(jīng)常使用于服裝的袖口、領(lǐng)襟和襪沿。圖3為蕾絲紋理圖像示例。

行業(yè)調(diào)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(shè)計的蕾絲紋理圖案必須突破人類設(shè)計師的創(chuàng)意枯竭，加入計算創(chuàng)意元素，才能滿足市場對產(chǎn)品的多樣化、藝術(shù)化和個性化等裝飾需求。傳統(tǒng)的紋理圖像計算機生成方法通過構(gòu)造紋理描述特征函數(shù)，很難有效準確地反映真實圖像的分布，使得產(chǎn)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(wǎng)絡(luò)（Generative Adversarial Nets， GANs）[4]，就引起了學術(shù)界的廣泛關(guān)注，成為人工智能及深度學習領(lǐng)域的研究熱點。其最直接的應(yīng)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(yīng)用于圖像紋理生成有兩類方式，即有監(jiān)督方式和無監(jiān)督域映射方式。作為典型的無監(jiān)督域映射GAN模型，循環(huán)一致生成對抗網(wǎng)絡(luò)[5]（Unpaired Image-to-Image Translation using Cycle-Consistent Adversarial Networks， CycleGAN）引入了循環(huán)一致?lián)p失函數(shù)，可以生成質(zhì)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(wù)。

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(xùn)練集的近似程度等方面評估其視覺效果，分析其具有的創(chuàng)意設(shè)計美學藝術(shù)價值;在平面創(chuàng)意設(shè)計的應(yīng)用價值和應(yīng)用方法視角下，區(qū)分石材隨機紋理和蕾絲規(guī)則紋理，揭示了生成的石材隨機紋理具有直接應(yīng)用價值，而生成的蕾絲紋理圖像含有視覺創(chuàng)作缺點：不具有對稱與平衡的構(gòu)造，也不具有簡潔與留白的意境，需要經(jīng)過人類設(shè)計師的加工才能在平面創(chuàng)意設(shè)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(xù)快速、無窮地給人類設(shè)計師提供輔助設(shè)計靈感和創(chuàng)意，節(jié)約設(shè)計師的時間和精力。因此，面對類似蕾絲的規(guī)則紋理圖像的平面創(chuàng)意設(shè)計，“人-機”協(xié)同，人工智能與人類設(shè)計師交叉融合和協(xié)同共進是時代發(fā)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(shù)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(guī)格的石材圖像集。另外，我們從福建長樂某蕾絲貿(mào)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(guī)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(fā)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(xùn)練樣本，用近2×48小時分別訓(xùn)練成模型，并據(jù)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(xùn)練樣本，用近48小時訓(xùn)練成模型，并據(jù)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(xùn)練樣本，以及從石材圖像集中隨機選取1萬張作為“風格”訓(xùn)練樣本，用近48小時訓(xùn)練成模型，并據(jù)此模型生成了帶石材風格轉(zhuǎn)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(zhuǎn)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(shù)評價指標，來評估生成圖像的清晰度、多樣性以及與訓(xùn)練集的近似程度等視覺效果。另外，由于風格轉(zhuǎn)換圖像的清晰程度與“風格”訓(xùn)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(zhuǎn)換的效果;在多樣性和近似程度上，風格轉(zhuǎn)換圖像不同于“紋理”訓(xùn)練樣本和“風格”訓(xùn)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(zhuǎn)換圖像（如圖7）的視覺效果評價上，目前沒有合適的技術(shù)評價指標，主要根據(jù)人的主觀感受去衡量視覺效果的優(yōu)劣。

研究[8]及根據(jù)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(xùn)練集的近似程度等性能良好。

按視覺傳達設(shè)計原理[9]，平面創(chuàng)意設(shè)計不僅通過分析美學產(chǎn)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(xiàn)藝術(shù)價值;同時，也要求達到視覺效果與使用功能的統(tǒng)一，將美學與應(yīng)用價值相結(jié)合，注重設(shè)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(shù)價值。以下將從平面創(chuàng)意設(shè)計的角度，分析基于CycleGAN生成的石材與蕾絲紋理圖像的應(yīng)用價值及設(shè)計問題。

二、采用CycleGAN生成的石材與蕾絲紋理的創(chuàng)意設(shè)計應(yīng)用價值及應(yīng)用方法

在平面創(chuàng)意設(shè)計中，設(shè)計師會遇到“命題作文”的需求，即給定某個設(shè)計目的或某種藝術(shù)風格進行創(chuàng)作[10]。因此，在平面創(chuàng)意設(shè)計視角下，基于CycleGAN生成的石材、蕾絲紋理圖像要達成某個設(shè)計目的，就首先要回答如下基礎(chǔ)性問題：有應(yīng)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(yīng)用價值

石材與蕾絲行業(yè)調(diào)研結(jié)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(guī)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(yīng)用價值的技術(shù)評價指標，只能依據(jù)人類設(shè)計師的主觀評判。根據(jù)相關(guān)企業(yè)多名創(chuàng)意設(shè)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(chǎn)生石材圖像的異同已很難分辨，可直接用于生產(chǎn)如大理石瓷磚等產(chǎn)品;而生成的蕾絲紋理圖像只能給予人類設(shè)計師靈感和創(chuàng)意，需要經(jīng)過人類設(shè)計師的再加工才能應(yīng)用;

2.人類設(shè)計師做設(shè)計項目有了一定經(jīng)驗后，往往能摸索出套路或規(guī)律性的設(shè)計方法，這可以少走彎路，提高效率，但往往也失去了設(shè)計的新意。創(chuàng)新一直是設(shè)計界所追隨的目標。設(shè)計師是否具備創(chuàng)新思維與創(chuàng)新能力，往往決定著設(shè)計師的高度與作品呈現(xiàn)出的藝術(shù)價值。相比人類設(shè)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(xù)快速（理論上）無窮地給人類設(shè)計師提供（輔助）設(shè)計靈感和創(chuàng)意，從而滿足新時代產(chǎn)品設(shè)計的個性化需求，結(jié)合現(xiàn)代設(shè)計理念，有效提升設(shè)計高度。

（二）基于CycleGAN生成的蕾絲紋理圖像的視覺創(chuàng)作缺點

按蕾絲行業(yè)設(shè)計師和視覺創(chuàng)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(gòu)造。對稱的設(shè)計，可以使人產(chǎn)生平和、莊重、嚴謹?shù)男睦砀惺?，而平衡的擺放可以給人心理上帶來穩(wěn)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(tǒng)年畫、剪紙、工藝品上的圖案等，多數(shù)都采用了平衡的設(shè)計語言，使畫面在輕重上體現(xiàn)出和諧的視覺效果，而不平衡則用來表現(xiàn)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(chuàng)作常用的美學原理，人類設(shè)計師常常使用“簡潔與留白的意境”設(shè)計?！傲舭住敝干倭康膱D像為主體，具有一定章法和節(jié)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(shè)計作品中美學不在于設(shè)計形式上的復(fù)雜性，而在于對至微細節(jié)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(shè)計師往往會主觀地控制畫面的構(gòu)圖，虛實相生，而使我們想要表達的設(shè)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(shè)計元素有時反而會使得畫面顯得擁擠，化繁為簡既是設(shè)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(zhuǎn)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(chǎn)如大理石瓷磚等產(chǎn)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(chuàng)意的來源，需要經(jīng)過人類設(shè)計師的再加工才能使用。因此，要用好它，首先人類設(shè)計師需提煉出設(shè)計目標和設(shè)計需求，待CycleGAN模型產(chǎn)出多種創(chuàng)意設(shè)計圖像后，設(shè)計師去挑選他們喜歡的創(chuàng)意方案，或者進行不斷地重新組合，直至產(chǎn)生最滿意的結(jié)果。實際上，通過以上工作，機器能夠快速設(shè)計出符合特定內(nèi)容和風格的圖像，輔助設(shè)計師完成草稿;針對上節(jié)所述的生成圖像的創(chuàng)作缺點，由人類設(shè)計師進行創(chuàng)意修改和細節(jié)深入?？偟膩碚f，人工智能不僅給人類設(shè)計師提供（輔助）設(shè)計靈感和創(chuàng)意，同時也節(jié)約了設(shè)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(shè)計實踐中，人工智能系統(tǒng)作為輔助創(chuàng)意設(shè)計的工具，已經(jīng)達到了創(chuàng)作或輔助創(chuàng)作的標準，具有較好的應(yīng)用前景。

三、石材與蕾絲圖像的人工智能對抗生成與人類創(chuàng)意設(shè)計的協(xié)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(guī)則紋理圖像的生成，機器僅僅可以承擔部分創(chuàng)造性工作，但是最具創(chuàng)新意義的轉(zhuǎn)換創(chuàng)造，目前只能通過“人-機”協(xié)同的方式完成[12]。也就是說，基于目前的技術(shù)和算法能力，人工智能生成的蕾絲紋理設(shè)計結(jié)果相比人類設(shè)計師的作品還是非常初級的，甚至存在基本的視覺創(chuàng)作缺點。這正說明了人類設(shè)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(shù)和應(yīng)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(guī)則紋理特性的蕾絲圖像，目前都缺少較為準確的技術(shù)評價指標，只能依據(jù)人類設(shè)計師的主觀評判。

但是在這個融合協(xié)同的時代，人工智能已經(jīng)可以輔助設(shè)計師完成重復(fù)性的勞動，提高人類設(shè)計師的工作效率，因此，設(shè)計師更需要了解人工智能技術(shù)，懂得將它作為一個強大的輔助設(shè)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(fā)展為人工智能提供了學習、理解和輔助人類創(chuàng)意設(shè)計的機會。

四、結(jié)語

針對基于CycleGAN模型生成的石材隨機紋理和蕾絲規(guī)則紋理兩大類型圖像，技術(shù)指標及主觀評價表明：基于CycleGAN模型可生成具有美學藝術(shù)價值的石材與蕾絲紋理圖像。另外，行業(yè)設(shè)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(guī)則紋理圖像不具有對稱與平衡的構(gòu)造，也不具有簡潔與留白的意境，需要經(jīng)過人類設(shè)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(xù)快速、無窮地給人類設(shè)計師提供輔助設(shè)計靈感和創(chuàng)意。因此，只要通過“人-機”協(xié)同的方式，我們相信，人和未來的機器將共同創(chuàng)造出更好的創(chuàng)意設(shè)計，促進設(shè)計行業(yè)變革，滿足新時代產(chǎn)品設(shè)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(jié)構(gòu)、自組織、突變理論與地球科學[M].北京：地質(zhì)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(fù)雜度圖像生成中CycleGAN循環(huán)一致?lián)p失系數(shù)優(yōu)化選擇方法[J].計算機科學，2019（1）：100-106.

[9]曹方.視覺傳達設(shè)計原理[M].南京：江蘇美術(shù)出版社，2014.

[10]杜宇慧.美學思想在視覺設(shè)計中的體現(xiàn)[J].數(shù)碼設(shè)計，2019（9）：20.

[11]高峰，焦陽.基于人工智能的輔助創(chuàng)意設(shè)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(xié)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(shù)學院。

鐘尚平，博士，福州大學數(shù)字與計算機科學學院教授。研究方向：機器學習。