徐術珂，吳倩

風格遷移算法在藝術文創(chuàng)產品設計中的應用

徐術珂1，吳倩2

（1.西南民族大學，成都 610000；2.四川工商學院，成都 610000）

針對圖像智能生成中圖像風格的多元性問題，探索能夠生成特定風格圖像的智能生成方法。以抽象和具象圖像結合為研究對象，通過計算機將兩種風格遷移，重構出保留特定風格的圖像，得到其中捕捉畫面特定風格的圖像。生成的圖像質量較高，具備抽象圖案和具象圖案相互結合的特點。生成對抗網絡對繪畫藝術作品的特定風格的學習，用風格遷移智能生成圖像，取得了較好效果，能減少創(chuàng)意圖像制作的重復性操作，提高圖像利用的藝術性和豐富性，為智能賦能圖像的再創(chuàng)造提供了新思路。

風格遷移算法；藝術；文創(chuàng)產品

在國際和國內的藝術品市場發(fā)展中，藝術IP得到了廣泛的發(fā)展，并獲得了市場的認可。藝術家個人IP推動了藝術衍生產業(yè)不斷發(fā)展。藝術家在創(chuàng)建個人IP的同時，藝術作品的版權保護問題也被提上日程，這是藝術品衍生開發(fā)的最重要問題，風格遷移算法可以在藝術家個人IP的打造中提供快速、便捷的繪畫元素風格改變，為其文創(chuàng)產品的設計提供保障。本文利用GAN來進行特定抽象與具象融合圖片風格的智能生成，探索繪畫元素的人工智能生成的方法，并且將其運用于文創(chuàng)產品的設計領域。

1 風格遷移算法的繪畫文創(chuàng)產品價值

文化創(chuàng)意產品的構成要素包括形式、色彩、功能和文化。繪畫元素的文創(chuàng)產品主要運用于藝術家個人IP的塑造中，既強調繪畫藝術形式中對具象藝術和抽象藝術的表達，也蘊藏著藝術家個人的知識產權，傳達藝術家個人思想的象征。目前，國內學者針對文創(chuàng)產品設計方法的研究眾多，如情境故事法、層次分析法（APA）、因子分析法、聚類分析法、KANO模型、QFD理論、TRIZ發(fā)明理論等方法，每種文創(chuàng)產品的設計方法都有優(yōu)缺點，可以根據(jù)設計師的不同需求進行篩選，并且通過文獻資料發(fā)現(xiàn)，設計學科在該領域中與其他學科的協(xié)作增多，偏工科的設計方法成為趨勢，本文探討的風格遷移算法是在計算機圖像領域的一次跨界合作。

在繪畫藝術的發(fā)展中，圖像的風格受到當時諸多因素的影響，如傳統(tǒng)的繼承，科技發(fā)展、文化、宗教、政治等因素，這使各個時期繪畫的圖像具有鮮明的時代特征，同時也受限于時代，文藝復興時期的藝術建立在對透視學、解剖學的研究基礎上，發(fā)展了寫實傳真的繪畫技巧，畫面的圖像與前一時期中世紀的對比起來就顯得格外真實，光與影的技巧運用也使作品更加立體，并在17世紀達到頂峰。19世紀初，隨著實用性照相機的發(fā)明和色彩科學的研究及藝術世界雇傭關系的改變，繪畫逐漸不再以記錄客觀對象制造幻覺、追求古典主義時期完美的繪畫性作為主要任務，而是追求感覺上的真實，主干是形式主義，核心是抽象化，并且伴隨管狀顏料的誕生和對色彩科學的研究普及，藝術家開始走出戶外進行寫生，開始探索繪畫語言豐富的可能性，由此塞尚探索的法則為后世藝術家創(chuàng)作圖像提供了思路；到20世紀創(chuàng)作的圖像逐漸轉化為抽象藝術，其中康定斯基對抽象藝術的貢獻是巨大的，他對形式的研究和實踐，為后人開辟了廣闊的道路，并使抽象藝術在短時間內，就席卷了整個西方藝術界，成為近一百年來最頑強的藝術。后現(xiàn)代主義時期，部分延續(xù)著現(xiàn)代主義的美學觀點，在抽象藝術的形式也走向了極端。因此，結合當前以人工智能為代表的技術進行圖像的轉化是拓展圖像的有效途徑。

目前，人工智能在圖像生成上實現(xiàn)了質的突破，基于神經網絡和深度學習的預訓練語言模型，為自然語言處理技術帶來了突破性發(fā)展。特別是生成對抗網絡,能夠把隱藏的大數(shù)據(jù)挖掘出來，生成符合類似數(shù)據(jù)的圖案。因此，可以使用計算機中數(shù)據(jù)的表達形式，來結合具象和抽象圖案學習一種圖像風格，提取圖案的具象與抽象特點，進行計算機生成新圖像，為更適合當代的圖像運用提供新的思路。計算機的快速反應使其在視覺領域的重要性與日俱增。在視覺領域這種想法的實施需要使用一個比較簡單又特別的GAN結構來完成任務，在兩個高清圖片之間進行風格轉化，此外，還會將一張普通的風景圖片編輯成抽象與具象相融合的風格，近幾年在計算機視覺領域，風格轉化是主流方向。

《藝術化的神經網絡算法》引領了這股潮流，該論文在事先測試好的卷積網絡中對圖片進行內容和風格上的調整。雖然這種方法能處理高清圖片，但它只能用一張圖像作為參照，例如，它只能用《星夜》作為梵高整體繪畫風格的參照，這不是大家想要的結果。為此，本文在實踐基礎上為生成對抗網絡技術（GAN）輸入所需要的大量抽象與具象畫面結合的作品圖片，試圖捕捉抽象與具象相結合的個體案例的風格，再把這種風格運用在普通圖像上，進行風格遷移的實驗。這樣就創(chuàng)造出一種利用GAN自動生成抽象與具象相融合風格的辦法。從實驗數(shù)據(jù)來看，這種辦法能將訓練數(shù)據(jù)的風格特征把握住，從而能有效地為這種風格的圖像提供數(shù)據(jù)，具有拓展第一視覺（即肉眼所見的常規(guī)視覺）的作用，生成的圖像經計算機算法生成后帶有創(chuàng)意性、發(fā)散性、藝術性，能夠運用在生產生活中的諸多視覺領域。

2 圖像處理與GAN

2.1 圖像處理的相關工作

目前，圖像在設計領域的大部分應用還是挪用和重新組合不同視覺資料重新產生新的信息階段，圖像的來源簡單直接，體現(xiàn)不出比較獨特的藝術性，就會造成圖像的運用沒有新意。鑒于此，研究人員進行了大量研究，試圖通過類似Photoshop等圖形處理軟件來處理圖形和顏色，這種處理方式具有修飾圖片功能和調色功能，在一定程度上豐富了原始圖像的創(chuàng)意變化，不過在軟件里修飾的圖片都是在一致的口令下生成，缺少圖片相互對比的差異性。例如，對一張照片的調整只能做到顏色調整亮一點或暗一點，拼貼一些其他圖像或拿掉多余畫面元素，但讓自拍照在形式和顏色上轉變?yōu)樘囟ɡL畫風格的人像卻無能為力，無法帶來更多藝術中的可能風格。大部分圖像都是以具象的繪畫風格樣式來智能生成圖像，還有就是以設計類的抽象紋樣為藍本來智能生成圖像風格，在圖像拓展領域千篇一律。其研究較具代表性的有：呂沛在研究計算機算法前提下去研究圖像智能生成藝術的特性通過自己的創(chuàng)作實驗運用計算機的圖像生成作為研究對象，探析智能生成藝術的表達形式，研究計算機語境下圖像生成藝術的方式方法[4]。因此，將特定的繪畫風格資源融入智能設計，使常規(guī)圖像也能賦予設計感及藝術性，提高創(chuàng)意設計圖案的效率和質量，是智能輔助設計發(fā)展圖像可能性的新思路。探索融合二者相輔相成的方法，是本文探究的核心。

2.2 GAN的相關工作

GAN自面世以來就吸引了廣泛研究群體的關注，對比其他圖像處理軟件，GAN在創(chuàng)建新圖像方面展示出了巨大的靈活性，GAN包括生成器（Generator，簡稱G）和鑒別器（Discriminator，簡稱D），其中生成器用來學習源數(shù)據(jù)的潛在數(shù)據(jù)分布，而鑒別器用以判斷給出樣本是否為真實數(shù)據(jù)。生成器和鑒別器在一個動態(tài)的學習過程中相互競爭。生成器嘗試生成越來越逼真的數(shù)據(jù)，而鑒別器努力更準確地識別真假數(shù)據(jù)。理想情況下，生成器和鑒別器會達到一種平衡，其中生成器產生的數(shù)據(jù)足夠逼真，以至于鑒別器難以區(qū)分真?zhèn)巍?/p>

GAN 的應用有著廣闊的空間。例如，GAN通過訓練能隱式表示數(shù)據(jù)分布，生成具有目標風格的圖像。通過鑒別器和生成器的博弈過程，得到從隨機向量到真實圖像數(shù)據(jù)的映射，所得圖像的質量能顯著提高。

3 基于GAN的特定風格遷移的智能生成方法

3.1 建立網絡結構

本文采用的是基于循環(huán)生成對抗網絡（CycleGAN）改進的模型結構，如圖1所示，通過在下采樣層添加新的殘差模塊來進行多維度的特征提取，提高圖像的生成質量。如圖2所示，該網絡結構包含兩個生成器，其目的都是通過一個域的樣式輸入圖像來生成另一種域的樣式圖像。生成器是一個全卷積連接形式，它的總體結構可以看作是由三部分所構成，分別是編碼部分（Encoder），轉換部分（transformer）以及解碼部分（Decoder）。其中編碼部分由三個卷積層和一個新型殘差模塊組成，該部分主要用于進行圖像的下采樣操作，目的是縮小特征圖尺寸，降低參數(shù)計算量。編碼部分的結構如圖3所示，第一層采用卷積核尺寸為7×7的卷積核，通道數(shù)64，步長為1的卷積層。接著經過歸一化層，在原網絡模型中采用的是批量歸一化（BatchNormalization, BN），該方法的計算方式就是把樣本沿著通道方向進行歸一化處理。然而網絡每次輸入的批量大小為1，當批量大小越小時，在計算過程中所得到的均值和方差并不能代表全局，導致批量歸一化的效果不是很理想。本文選擇的是實例歸一化層（InstanceNormalizetion, IN），該歸一化過程是所有樣本的各個通道的獨立計算，不受通道和批量大小的影響，常用于風格遷移中的歸一化處理。最后再經過激活函數(shù)，本文選擇使用LeakyReLU來代替原網絡模型中的ReLU，以此來減少網絡梯度的稀疏程度。第二個和第三個卷積層使用的卷積核尺寸為3×3，步長為2，通道數(shù)分別為128和256，其中歸一化層和激活函數(shù)與上述第一個卷積層相同。第四層則是采用一個Res2Net殘差模塊，首先經過1×1卷積后，通過對通道特征圖進行平均分割，得到特征圖子集；然后每個子集的通道特征圖都會通過一個3×3的卷積層，通過其他分組通道的卷積操作疊加，相應的輸出特征圖對應原輸入特征圖子集的感受也會變大；最后對所有的特征圖子集進行通道級聯(lián)并通過一個1×1卷積層將特征圖傳入轉換器部分。

圖1 網絡結構

圖2 生成器網絡結構

轉換部分的網絡結構如圖所示，該部分使用的是6個原始的殘差模塊（ResNetBlock），結構如圖4所示。首先通過一個卷積核個數(shù)為256，大小為3×3，步長設置為1的卷積層，接著依次通過實例歸一化層和激活函數(shù)LeakyReLU；其次再經過一次上述的卷積和歸一化操作；最后將輸出殘差值和經過恒等映射的輸入特征圖相加。其目的是組合編碼部分所提取的抽象特征，通過對這些抽象特征的組合來將圖像的特征從源域轉換到目標域。

解碼部分對轉換部分的輸出特征圖進行解碼，通過兩個卷積核個數(shù)分別為128和64，卷積核大小為3×3，步長為2的反卷積層和一個卷積核個數(shù)為3，大小為7×7的卷積層將特征圖還原，變成目標域中的圖像。

圖3 編碼器網絡結構

圖4 殘差模塊

判別器采用的是PatchGAN，其結構如圖5所示。判別網絡由四層Conv+SN+LReLU和最后一層卷積層Conv組成，其中代表卷積核尺寸，代表卷積核個數(shù)，即輸出通道數(shù)，代表卷積步長。原始的生成對抗網絡判別器的輸出僅是一個評價值（True/ False），表示的是對生成器所生成的一整幅圖像的評價。PatchGAN設計成全卷積的形式，圖像經過多個卷積層后并不會直接輸入到全連接層或者激活函數(shù)中，而是利用最后一層卷積將輸入映射為一個×的矩陣。該輸出矩陣中的每個點即代表了原圖像中的一個感受野，對應了原圖的一塊區(qū)域（patch），取最后輸出矩陣的均值來評價整體圖像。由于該結構能夠關注更多的圖像區(qū)域，PatchGAN在圖像轉換等任務中具有一定的高分辨率、高細節(jié)保持的優(yōu)勢。本文采用譜范數(shù)歸一化的權重歸一化技術來對PatchGAN中原有的批量歸一化層進行替換，Patch塊的大小為的70×70。

圖5 判別器網絡結構

3.2 數(shù)據(jù)圖像庫的構建

通過GAN來智能生成特定的抽象與具象融合的圖像風格，需要創(chuàng)造一個有類似風格的圖像數(shù)據(jù)庫作為具象集。此數(shù)據(jù)庫選擇了由藝術工作者創(chuàng)作的，大量帶有抽象與具象風格相結合的，特定繪畫風格的作品圖例，圖例多為兩個層次構成，底層由風景、場景、植物構成，頂層由造型優(yōu)美、線條流暢的抽象圖像構成，兩種層面互為表里，相輔相成，融合得松動自然。再利用深度學習方法對此風格類型的特征進行訓練，為以后利用GAN轉換此類型特征的圖像做好準備。其次，創(chuàng)建一個相機直接獲得的圖片庫作為具象集，包括風景、場景、建筑、人物等內容，作為計算機生成風格遷移的圖像庫，為后期利用生成對抗網絡模型建立類似風格類型的圖像提供準備，如圖6所示。

3.3 圖像提取

在抽象與具象相融合圖像智能輔助生成的提取過程中，如何延續(xù)與保持抽象與具象融合的藝術特色豐富生成圖像的風格，使其符合現(xiàn)代審美是需要重點探討的問題，本文試圖在提取數(shù)據(jù)庫圖片過程中，對所呈現(xiàn)的抽象與具象相融合的美學特點進行最大化的保留。在形式美的層面上，選擇了類似流動的線條和色帶作為抽象的基本形式，在這種較透明的線條和色帶下能夠隱約看出底層的具象形象。兩個層次在圖像中的對比和結合，既提供了一些熟悉的視覺，又通過抽象化干擾形成了基于圖像的特殊美感，造成一種既熟悉又陌生的感受，既保留了圖像本身的可辨識性，又通過處理使圖像增加了抽象構成的美感。在轉化美的層面上，將這種經過處理的抽象與具象的融合作為智能生成的基本單位元素，以風格遷移作為圖像生成的流程依據(jù)，轉換圖像特征賦予新的信息。經過計算機深度學習并風格遷移后的圖片，把抽象與具象風格相融合的生成圖像風格化遷移，生成新的風格化圖像。

圖6 數(shù)據(jù)集

4 抽象與具象相融合風格遷移的實驗過程

4.1 實驗環(huán)境

本文實驗是在操作系統(tǒng)版本為Ubuntu16.04，處理器為Intel Core i9-10940X，內存為64 GB，顯卡型號為NVIDIA GeForce RTX 3080 Ti的服務器上進行網絡模型訓練。所有實驗(除對比實驗外)使用的Python版本均為3.8.5，使用的深度學習框架及版本號為PyTorch1.7.0，CUDA及CUDNN的版本分別為10.1和7.6。

4.2 實驗參數(shù)設置

本文實驗使用的是自適應矩估計優(yōu)化算法Adam對網絡模型進行訓練，共訓練300個周期，訓練過程中的批次大小設置為1，初始學習率為0.000 2。實驗中的卷積層全部使用激活函數(shù)LeakyReLU，斜率設置為0.2。將總損失函數(shù)中的循環(huán)一致性損失的權重設置為10。前150個訓練周期保持初始學習率不變，并在接下來的150個訓練周期學習率線性衰減至0。

4.3 評價指標

在圖像風格轉換的圖像質量評價方面，除直接通過人眼主觀感受來評判風格轉換后圖像的質量以外，還應該有客觀的評價指標。本文實驗主要使用了包括峰值信噪比（PS NR）、結構相似度（）、Frechet Inception距離分數(shù)（FID）、Kernel Inception距離分數(shù)（KID）這4種評價指標來對風格轉換結果進行分析。其中PSNR和SSIM對生成圖像本身質量進行量化，F(xiàn)ID和KID則通常用來評價生成圖像的總體質量和多樣性。

結構相似度（），這是一種通過亮度、對比度、結構三個方面來衡量圖像間相似性的評價方法。均值可用作對圖像亮度的估計，標準差用于圖像對比度的估計，協(xié)方差作為結構相似程度的計算。結構相似程度（）的值越大，就代表生成圖像和原圖像的相似程度高，圖像質量就越好，其計算見式（3）。

Frechet Inception Distance（）常被用于評估生成對抗網絡模型生成圖像的質量，它是計算真實圖像和生成圖像的特征向量之間距離的一種度量。通過Inception V3網絡模型提取真實圖像和生成圖像的特征，再利用高斯模型進行特征空間上的建模，計算圖像的均值和協(xié)方差來將輸出歸納為一個多變量高斯分布，最后由Frechet距離（又稱Wasserstein-2距離）來計算這兩個高斯分布間的差異。分數(shù)越低表明兩組圖像越相似。計算見式（4）。

Kernel Inception Distance（KID），與FID指標相似，但是KID通過計算Inception表征之間的最大均值差異的MMD2來度量兩組樣本之間的差異。若MMD距離越小，則表示真實圖像和生成圖像的數(shù)據(jù)分布越接近，兩組圖像越相似。計算MMD距離時，首先要選擇一個核函數(shù)(,)，它將真實圖像和生成圖像這兩個樣本映射為一個實數(shù)，則MMD距離見式（5）。

4.4 消融實驗與結果分析

本實驗是在原CycleGAN的網絡結構下進行了兩處改動，首先在判別器中加入了譜范數(shù)歸一化層來對原本的批量歸一化層進行替換，穩(wěn)定判別器性能，進而加強生成器網絡的性能，從而提升圖像轉換的質量；其次是對下采樣特征提取時添加了新型殘差模塊（Res2Net），該模塊通過分組卷積的方式來提取更豐富的特征，更好地實現(xiàn)風格上的轉換，進一步促進風格轉換圖像的質量。

為了驗證網絡結構改動的有效性，本實驗基于改進后的網絡結構，在抽象數(shù)據(jù)集和具象數(shù)據(jù)集上進行了四組消融實驗。第一組消融實驗是對傳統(tǒng)的CycleGAN不作任何的改動；第二組實驗是在判別器中添加了譜范數(shù)歸一化；第三組實驗是在網絡模型下采樣的最后一層加上新的殘差模塊，除此之外，相較于第一組無任何改動；第四組消融實驗則是使用改進后的模型。利用四組消融實驗的結果及上文所提出的評價指標進行定量和定性分析，以此驗證對于網絡的改動是否有效，消融實驗結果如圖7所示。

圖7 消融實驗對比結果

從消融實驗結果圖（見圖7）中可以看出輸入圖像（Input），都是選用的測試集中圖片，通過四組不同的實驗來對其進行轉換，轉換后的圖像通過定性和定量分析來證明本實驗的有效性。圖7第二列所示的是原版CycleGAN風格轉換后的圖像（Original），4張圖像有明顯風格上的轉換，保留了相應原圖像域中的結構，并且也學習到了抽象圖片的紋理和色彩。然而此時的網絡模型學習還不夠穩(wěn)定，導致了一定程度上的圖像崩壞。為了驗證實驗結果是否由網絡訓練時的不穩(wěn)定所導致，本實驗在原版網絡結構的基礎上添加了頻譜歸一化（Original+SN），以此來穩(wěn)定網絡模型的訓練，其實驗結果如圖7第三列所顯示。由圖7第三列所示的4張風格圖像可以看出，一些模糊像素塊已經有了一定程度的緩解，網絡模型的過度學習現(xiàn)象得到緩解，第3張和第4張依舊很好地學習到了原圖像域中的色彩結構。說明判別器中增加了頻譜歸一化層后對網絡模型起到了穩(wěn)定訓練的作用。為了網絡模型能保留更多原圖像域中的色彩，本實驗在原版生成器的下采樣層的最后一層加入了Res2Net殘差模塊，通過多層次的特征提取來更好地保留原圖像域的特征。雖然加入的Res2Net讓圖像質量得到了提升，但還是會由于網絡模型的穩(wěn)定性不夠而導致圖像出現(xiàn)局部失真的現(xiàn)象。針對這個問題，本實驗最后在判別器中加入了頻譜歸一化，實驗結果如圖第五列所示，風格轉換圖像沒有由于訓練不穩(wěn)定導致圖像質量差的情況，而且也很好地學習到了目標域的風格。

本實驗采用上文提到過的4種評價指標PS NR、SSIM、FID及KID來對上述消融實驗結果進行定量分析。圖7消融實驗結果圖的各類評價指標值如表1～4所示。

表1 消融實驗中生成圖像的PSNR對比

Tab.1 PSNR contrast of the generated images in the ablation experiment

注：a為抽象集，b為具象集。

表2 消融實驗中生成圖像的對比

Tab.2 SSIM contrast of images generated in ablation experiments

注：a為抽象集，b為具象集。

根據(jù)表1～2中的兩項指標PSNR和SSIM的值可知，判別器網絡中添加了頻譜歸一化后的實驗結果要優(yōu)于傳統(tǒng)的網絡結構。這說明頻譜歸一化的使用能夠在一定程度上提升網絡的性能。使用了新型殘差模塊的Res2Net在指標性能上更加優(yōu)于僅加入了頻譜歸一化的原網絡結構模型，這說明Res2Net的加入更好地保留了原圖像域的色彩信息和紋理、結構等特征，對網絡模型起到了一定的優(yōu)化作用。為了進一步提高生成圖像質量、保留有效信息和穩(wěn)定網絡的性能，在Res2Net的基礎上再加入頻譜歸一化，最后實驗結果也證明了這種結構搭配的有效性。為了能使實驗更加具有說服力，在消融實驗每種網絡結構的真實圖像集合及相應的生成圖像集合上進行了FID和KID兩種指標的評價。評價結果再次驗證了改進后的網絡結構性能，評價結果如表3～4所示。

表3 消融實驗中生成圖像的FID對比

Tab.3 FID contrast of images generated in ablation experiments

注：a為抽象集，b為具象集。

表4 消融實驗中生成圖像的KID×100對比

Tab.4 KID×100 contrast of the images in the ablation experiments

注：a為抽象集，b為具象集。

5 個性化繪畫元素文創(chuàng)產品生成系統(tǒng)設計

5.1 個性化文創(chuàng)的類別

基于如圖7所示的消融實驗對比圖，實驗出一組由GAN生成的圖像，通過對藝術家個人IP的分析，確定以下文創(chuàng)設計載體：海報設計、卡片設計及包裝設計。海報設計作為藝術家畫展的重要宣傳媒介，可將在抽象數(shù)據(jù)集和具象數(shù)據(jù)集上進行了四組消融實驗的圖像作為海報的視覺形象，是藝術家個性化海報定制的一個新選擇，如圖8所示；文創(chuàng)系列產品中的卡片設計可運用于藝術家的作品介紹，還可成為明信片或書簽便于觀眾攜帶，是個性化繪畫元素文創(chuàng)產品設計的一個大眾紙媒，如圖9所示；包裝設計作為藝術家畫展衍生品與受眾的溝通媒介，在藝術家個人IP打造中提升繪畫元素的原創(chuàng)性。綜上所述，個性化繪畫元素文創(chuàng)產品生成系統(tǒng)設計既提高圖像利用的藝術性和豐富性，又對藝術家作品知識產權起到一定保護作用，如圖10所示。

圖10 包裝設計中的應用

5.2 抽象符號的多樣性

由消融實驗可以看出，將具象圖案進行特定風格抽象化的圖像風格遷移方法，能夠有效地生成新的風格圖像，并運用于產品生成系統(tǒng)設計中，不過在產品設計中，為了避免大量圖像風格的雷同，與具象圖像相關聯(lián)的抽象符號形式的多樣性成為必須考慮的問題，其解決辦法的方向一方面是讓計算機學習大量藝術史中每一個階段的美術作品中的信息，如文藝復興階段作品中莊嚴永恒的特點，印象主義中作品的豐富色彩變化、主觀的形色搭配；超現(xiàn)實主義作品里的奇異荒誕等信息；另一方面，根據(jù)設計圖像的產品所需傳達的信息和美術史中的各個階段所傳遞的視覺信息特征進行匹配，例如，如果產品宣傳的是高端、穩(wěn)重、豪華等信息，那么可以將古典主義的風格所生成的抽象圖案運用于包裝設計中；如果產品需要傳達的是年輕化、時尚等信息，那么可以運用美術史中未來主義、印象主義、超現(xiàn)實主義的熱情洋溢、五彩繽紛夸張且具個性的圖像特點進行圖像的綜合生成，可以靈活運用，由此可以豐富由具象圖像和抽象圖案生成新圖案的種類，并有針對性地運用于設計中。

6 風格遷移算法在藝術文創(chuàng)產品設計評價體系的建構

通過對風格遷移算法在藝術文創(chuàng)產品設計的開發(fā)，提供了個性化繪畫元素文創(chuàng)產品生成系統(tǒng)設計，提升了藝術文創(chuàng)產品附加值。設計的評價是指依據(jù)一定的原則, 采取一定的方法和手段，對設計所涉及的過程及結果進行事實判斷和價值認定的活動。評價作為一種具有客觀性、可量化、可比性、層次性的評估工具，對其文創(chuàng)產品的開發(fā)發(fā)揮著重要作用，對藝術文創(chuàng)產品的評價，不僅需要考慮產品本身的設計內容，還需要考慮產品的實用價值與文化價值。

另外，風格遷移算法可將不同的藝術風格應用于產品設計中，評價體系應根據(jù)文創(chuàng)產品設計中風格遷移的程度和效果，以及是否較好地傳達了特定藝術風格或主題。確定適合產品的藝術風格和主題，確保與產品的目標和受眾相契合，不同的藝術風格可能適用于不同類型的文創(chuàng)產品，分析風格遷移算法對產品設計與特定品牌、文化或藝術風格的關聯(lián)程度，以及這種關聯(lián)是否對產品的品牌形象和價值產生積極的影響。例如，在藝術文創(chuàng)產品專家評估系統(tǒng)平臺中，平臺有展示設計作品與評價的功能，可以通過文創(chuàng)效果圖的展示來降低此文創(chuàng)產品的開發(fā)成本、市場和用戶滿意度的調查成本。綜上所述，目前評價體系還明確需要這些方面的評估標準，從而有助于評估設計方案的質量、實用性、藝術性與美學評價和市場預期等綜合效果。

7 結語

本文提出了一種特定的圖像風格遷移的方法，以特定的繪畫語言風格結合生成對抗網絡賦能了圖像多元化、藝術化的重構，為圖像在設計中的變化和方法體系開創(chuàng)了廣闊的可能性，使人工智能助力文化的創(chuàng)造和衍生產生了新態(tài)勢。本文將一種特定的抽象與具象相融合的繪畫風格應用于風格遷移選擇的圖像中，用計算機深度歸納整理了抽象符號的美學特點，基于這種風格特點提出了智能輔助進行風格轉化的方法，提出了圖像風格提取、圖像生成技術的可行辦法，并用生成對抗網絡對原始數(shù)據(jù)實現(xiàn)了具有特定風格并且質量較好的圖像的智能生成，彰顯了生成對抗網絡的時效性。同時，由于智能生成仍然具有一些局限性，如更創(chuàng)造性的再生成與具象圖像相關聯(lián)的抽象符號形式的多樣性，并未涉及，如果能調控生成的結果，通過修改特定的方式和參數(shù)生成特定的形狀或可以解決，這涉及GAN潛在方式的探索研究，可作為進一步研究的方向?；谏蓪咕W絡對特定風格圖像的研究，能輔助設計師進行圖像風格創(chuàng)造，減少創(chuàng)意圖像制作的重復性操作，提高圖像利用的藝術性和豐富性，為智能賦能圖像的再創(chuàng)造提供了新方向。

[1] 王海寧. 自然語言處理技術發(fā)展[J]. 中興通訊技術, 2022, 28(2): 59-64. WANG H N. Development of Natural Language Processing Technology[J]. ZTE Technology Journal, 2022, 28(2): 59-64.

[2] 劉霞. 2022年計算機視覺領域五大發(fā)展趨勢[N]. 科技日報, 2022-03-28(4). LIU X. Five Development Trends in Computer Vision Field in 2022[N]. Science and Technology Daily, 2022- 03-28(4).

[3] 萬露. 強PUF抗機器學習攻擊方法研究[D]. 長沙: 湖南大學, 2019. WAN L. Research on Strong PUF Resisting Machine Learning Attack Method[D]. Changsha: Hunan University, 2019.

[4] 呂沛.機器學習語境下的圖像生成藝術研究[D]. 中央美術學院, 2019. LYU P. Research on Image Generation Art in the Context of Machine Learning[D]. Central Academy of Fine Arts, 2019.

[5] 張晶, 祝子怡. 藝術與技術的交響——本雅明機械復制時代藝術理論研究[J]. 淮北師范大學學報(哲學社會科學版), 2020, 41(1): 92-97. ZHANG J, ZHU Z Y. Symphony of Art and Technology—Research on Art Theory in the Age of Benjamin's Mechanical Reproduction[J]. Journal of Huaibei Normal University (Philosophy and Social Sciences), 2020, 41(1): 92-97.

[6] 李開復, 王詠剛. 人工智能[M]. 北京: 文化發(fā)展出版社, 2017. LI K F, WANG Y G. Artificial Intelligence[M]. Beijing: Cultural Development Press, 2017.

[7] 魯?shù)婪颉じダ锪值咸貭枴さつ釥査咕? 媒體藝術網絡: Medienkunst im uberblick[M]. 潘自意, 陳韻, 譯. 上海: 上海人民出版社, 2014. RUDOLF F, DIETER D. Medien Kunst Netz.1. Medienkunst im Uberblick[M]. PAN Z Y, CHEN Y, Translated. Shanghai: Shanghai People's Publishing House, 2014.

[8] 史蒂文·約翰遜. 我們如何走到今天[M]. 中信出版社, 2016. JOHNSON S. How We Got to Now: Six Innovations That Made the Modern World[M]. CITIC Press, 2016.

[9] 王帆. 人工智能作為創(chuàng)造性媒介重塑視覺藝術[J]. 中國藝術, 2020(6): 69-76. WANG F. Artificial Intelligence Can Rebuild the Visual Art as a Crea-Tive Medium[J]. Chinese Art, 2020(6): 69- 76.

[10] PARK J G. Envirommental Color for Pediatric Patient Room Design[D]. Texas: A&M University, 2007, 31(1): 34-35.

[11] 田萱, 王亮, 丁琪. 基于深度學習的圖像語義分割方法綜述[N]. 軟件學報, 2019, 40(2): 256-262. TIAN X, WANG L, DING Q. Review of Image Semantic Segmentation Methods Based on Deep Learning[N]Journal of Software 2019. 40(2): 256-262.

[12] 趙飛鴻. 基于金融類客戶畫像的二分K均值算法分析研究與應用[J]. 中國科學院大學(工程管理與信息技術學院), 2016, 2019(5): 81-87. ZHAO F H. Research and Application of Binary K- Means Algorithm Based on Financial Customer Portrait[J]. University of Chinese Academy of Sciences (School of Engineering Management and Information Technology), 2016, 2019(5): 81-8.

[13] 蘇常保, 龔世才. 基于深度學習的人物肖像全自動摳圖算法[J]. 圖學學報, 2022, 43(2): 247-253. SU C B, GONG S C. Fully Automatic Matting Algorithm for Portraits Based on Deep Learning[J]. Journal of Graphics, 2022, 43(2): 247-253.

[14] 王文韻, 黃根春, 田猛, 等. 基于上下文學習的輕量級自動摳圖算法[J]. 計算機工程與設計, 2022, 43(1): 94-100. WANG W Y, HUANG G C, TIAN M, et al. Lightweight Automatic Matting Algorithm Based on Context Learning[J]. Computer Engineering and Design, 2022, 43(1): 94-100.

[15] 周宏偉. 藝術設計與人工智能的關系研究[J]. 藝術與設計(理論), 2019(S1): 26-27. ZHOU H W. Research on the Relationship between Art Design and Artificial Intelligence[J]. Art and Design, 2019(S1): 26-27.

[16] 照. 人工智能作畫盛行[J]. 機器人技術與應用, 2022(6): 7. ZHAO. Artificial Intelligence Painting is Popular[J]. Robot Technique and Application, 2022(6): 7.

Application of Style Transfer Algorithm in Design of Artistic Cultural and Creative Products

XU Shuke1, WU Qian2

(1.Southwest Minzu University, Chengdu 610000, China; 2.Sichuan Technology and Business University, Chengdu 610000, China)

The work aims to explore the intelligent generation method that can generate images of specific styles in view of the problem of plurality of image styles in intelligent image generation. Taking abstract and figurative images as the research object, the computer was used to transfer the two styles, reconstruct the image retaining a specific style, and obtain an image that captured a specific style of the picture. The resulting image was in high quality and had the characteristics of both abstract pattern and figurative image. For learning the specific style of painting artwork by generative adversarial network and intelligently generating images with style transfer, good results have been achieved, which can reduce the repetitive operation of creative image production, improve the artistry and richness of image utilization, and provide a new idea for the re-creation of intelligently empowered images.

style transfer algorithm; artistic; cultural and creative product

TB472

A

1001-3563(2024)02-0365-09

10.19554/j.cnki.1001-3563.2024.02.040

2023-08-11

中央高校課題（2023SYB29）