摘要：生成式人工智能正廣泛應(yīng)用于圖像生成領(lǐng)域，為解決傳統(tǒng)紋樣設(shè)計(jì)方法創(chuàng)作聯(lián)珠團(tuán)窠紋耗時(shí)耗力的問(wèn)題，研究擴(kuò)散模型應(yīng)用于聯(lián)珠團(tuán)窠紋再生設(shè)計(jì)的方法。通過(guò)對(duì)聯(lián)珠團(tuán)窠紋藝術(shù)結(jié)構(gòu)特征的提取和擴(kuò)散模型中交叉注意力模塊的研究，設(shè)計(jì)有效的描述文本并重構(gòu)擴(kuò)散模型，提出以結(jié)構(gòu)相似度作為參考標(biāo)準(zhǔn)，采用高斯函數(shù)確定閾值進(jìn)行篩選的再生設(shè)計(jì)方法。主客觀評(píng)價(jià)結(jié)果證明了運(yùn)用重構(gòu)的擴(kuò)散模型進(jìn)行紋樣再生設(shè)計(jì)的可行性。為聯(lián)珠團(tuán)窠紋的再生設(shè)計(jì)提供了新的思路與方法。

關(guān)鍵詞：聯(lián)珠團(tuán)窠紋；擴(kuò)散模型；紋樣再生設(shè)計(jì)；結(jié)構(gòu)相似度；生成式人工智能

中圖分類號(hào)：TS941.26 文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：1003-0069（2024）13-0052-04

引言

聯(lián)珠團(tuán)窠紋是我國(guó)最具代表性的織錦紋樣之一，起源于波斯薩珊王朝時(shí)期，傳入中原后形成了具有本土文化特色的裝飾紋樣。作為中西交融的產(chǎn)物，聯(lián)珠團(tuán)窠紋不僅蘊(yùn)含著吉祥美好的寓意，而且呈現(xiàn)出一種和合之美，自傳入以來(lái)便廣泛流行，又因其便于各種裁剪形式使用的優(yōu)勢(shì)，至今依然具有很高的審美屬性和應(yīng)用價(jià)值[1-2]。目前，聯(lián)珠團(tuán)窠紋的理論研究較為完善，但在紋樣傳承與創(chuàng)新方面依然停留在手工創(chuàng)意階段，不僅耗時(shí)耗力，而且重復(fù)性較強(qiáng)，難以滿足設(shè)計(jì)多樣化和個(gè)性化的時(shí)代需求[3]。應(yīng)用計(jì)算機(jī)技術(shù)和深度學(xué)習(xí)模型生成傳統(tǒng)紋樣的研究大部分以風(fēng)格遷移為主，將其他圖案的風(fēng)格遷移到一種紋樣中，如邱雪琳等通過(guò)在掩碼圖上添加色彩損失的方式優(yōu)化了VGG19 模型，實(shí)現(xiàn)了云錦圖案的局部風(fēng)格遷移[4]。這類紋樣創(chuàng)新只能實(shí)現(xiàn)既定圖案的風(fēng)格遷移，模型不具備圖案結(jié)構(gòu)設(shè)計(jì)的能力。

近年來(lái)， 生成式人工智能（Artificial Intelligence GeneratedContent，AIGC）取得了井噴式的進(jìn)步。最早在2014 年6 月被提出的生成對(duì)抗網(wǎng)絡(luò)（Generative Adversarial Networks，GAN）模型通過(guò)讓生成器和判別器相互對(duì)抗的方式實(shí)現(xiàn)了圖像的生成，但同時(shí)也存在訓(xùn)練不穩(wěn)定、數(shù)據(jù)需求量大等問(wèn)題[5]。另一個(gè)重要的突破是Open AI 在2021年2 月推出了（Contrastive Language-Image Pre-Training，CLIP）多模態(tài)預(yù)訓(xùn)練模型。CLIP 能夠同時(shí)理解圖像和自然語(yǔ)言，使模型能夠更好地理解和生成與語(yǔ)言相關(guān)的圖像內(nèi)容[6]。最近，擴(kuò)散模型（DiffusionModel）開(kāi)始逐漸替代傳統(tǒng)的GAN 模型，這種新模型在生成高度逼真圖像方面取得了顯著的進(jìn)展，但應(yīng)用的重點(diǎn)是生成真實(shí)照片或插畫，少有針對(duì)傳統(tǒng)紋樣的研究[7]。針對(duì)上述問(wèn)題，為了聯(lián)珠團(tuán)窠紋的傳承與創(chuàng)新，彌補(bǔ)AIGC 在傳統(tǒng)紋樣生成方面的空缺，研究應(yīng)用擴(kuò)散模型生成聯(lián)珠團(tuán)窠紋的方法，通過(guò)重構(gòu)擴(kuò)散模型的交叉注意力（cross attention）模塊解決了擴(kuò)散模型無(wú)法生成“聯(lián)珠團(tuán)窠紋”的問(wèn)題，使模型能夠根據(jù)使用者的輸入文本生成多樣化的聯(lián)珠團(tuán)窠紋，用以輔助設(shè)計(jì)過(guò)程。

一、聯(lián)珠團(tuán)窠紋的藝術(shù)特征

“聯(lián)珠團(tuán)窠紋”指在圓形單位紋周圍飾一圈圓珠，中心內(nèi)置主題圖案的紋樣，其中“團(tuán)”表示紋樣的整體樣貌為近圓形；“窠”指在連綴形成的紋樣中，一個(gè)封閉且獨(dú)立的單元，界定了紋樣的范圍[8]。

（一）聯(lián)珠團(tuán)窠紋的豐富題材：根據(jù)中心主題圖案的不同，可以將聯(lián)珠團(tuán)窠紋分為植物題材和動(dòng)物題材。唐代以前，植物紋樣多被用作輔紋，盛唐時(shí)期，由于紡織技術(shù)的提高，花卉紋樣的地位顯著提高，是開(kāi)放繁榮的一種象征[9]。植物題材以花卉為主，常用的花卉題材有牡丹、蓮花、菊花等，并在此基礎(chǔ)上融合發(fā)展為寶花，由簡(jiǎn)單的幾何抽象圖形組成具有形式美的花卉或枝葉紋樣[10]。圖1 是聯(lián)珠團(tuán)花紋錦圖案。

動(dòng)物題材種類豐富，其中少數(shù)圖案中含有人物。波斯的動(dòng)物紋樣以走獸為主，有翼馬、野豬、獅子、象等具有西域特色的動(dòng)物，分別對(duì)應(yīng)著不同的祆教寓意，隨著聯(lián)珠團(tuán)窠紋的傳入和本土化，也出現(xiàn)了祥龍、鳳凰等具有中國(guó)傳統(tǒng)文化特色的動(dòng)物。圖2 是飛馬馴虎聯(lián)珠紋錦，翼馬是太陽(yáng)神密特拉和契約之神的化身，在古代波斯語(yǔ)中象征著和平與友誼[11]。

（二）聯(lián)珠團(tuán)窠紋的均衡結(jié)構(gòu)：聯(lián)珠團(tuán)窠紋的構(gòu)成具有鮮明特點(diǎn)，外層是由一串圓珠組成的聯(lián)珠圓環(huán)，內(nèi)部填充圖案，具有形式美和對(duì)稱美。有時(shí)團(tuán)窠的四角上配有賓花，二者鑲嵌交織，使織錦的整體效果更加豐富[12]。

構(gòu)成聯(lián)珠圓環(huán)的圓珠通常為20 顆左右，不同紋樣的疏密略有差別。南北朝時(shí)期的聯(lián)珠團(tuán)窠紋外圍為單層，隨著時(shí)代發(fā)展和文化融合，形式逐漸豐富，形成了復(fù)合聯(lián)珠圓環(huán)，組成圓環(huán)的單體也演變出空心和回字等多種形式[13]。

中心圖案不僅題材多樣，其布局從原來(lái)的單個(gè)圖案，演變出了對(duì)稱式和中心對(duì)稱式的布局，以對(duì)稱的動(dòng)物為中心圖案的聯(lián)珠團(tuán)窠紋又被稱之為陵陽(yáng)公樣[13]。這是因?yàn)樵谖覈?guó)的傳統(tǒng)文化和認(rèn)知中，對(duì)稱的構(gòu)圖方式有成雙成對(duì)的美意，陵陽(yáng)公樣不僅象征著和諧、美滿，也是權(quán)力的代表。圖3 是對(duì)稱式的陵陽(yáng)公樣布局，圖4 是中心對(duì)稱式的布局。

（三）聯(lián)珠團(tuán)窠紋的典雅色彩：作為聯(lián)珠團(tuán)窠紋最常見(jiàn)的載體，織錦的色彩也最為多樣化，尤其到了隋唐時(shí)期，染織技術(shù)不斷完善，圖案逐漸復(fù)雜的同時(shí)，色彩也趨于華麗?？楀\底色大多為黃棕色，用黑色、藍(lán)色和綠色等較深的對(duì)比色呈現(xiàn)中心圖案，也有紅棕色與黃色的同色系暖色調(diào)搭配，二者均呈現(xiàn)出典雅大方和富麗堂皇的美感[14]。

二、模型構(gòu)建

（一）Diffusion 模型：Diffusion 模型是一種生成模型，其中最具代表性的是Ramesh等人在2021年提出的去噪擴(kuò)散概率模型（DenoisingDiffusion Probabilistic Models，DDPM）。該模型基于擴(kuò)散過(guò)程，通過(guò)迭代應(yīng)用離散化的擴(kuò)散方程來(lái)模擬概率分布[15]。

1. Stable Diffusion 模型：DDPM 的前向過(guò)程，是一個(gè)從原始圖片分T 個(gè)步驟逐漸加高斯噪聲的過(guò)程，具體表示為（1）式，其中每一步t的加噪聲過(guò)程表示為（2）式。

（1）式中：q（xt|xt-1）每步加噪聲的高斯函數(shù)，q（x1：T|x0）是T步加噪聲的高斯函數(shù)組成的馬爾可夫鏈，β1，...βT 是每一步加高斯噪聲時(shí)，決定高斯噪聲分布具體形式的參數(shù)。

而恢復(fù)過(guò)程是把已經(jīng)通過(guò)（1）式中q（x1：T|x0）馬爾可夫鏈轉(zhuǎn)化成包含高斯噪聲的圖片，通過(guò)馬爾可夫鏈逐步恢復(fù)成加入噪聲前的圖片?；謴?fù)過(guò)程中每一步的恢復(fù)函數(shù)也是一個(gè)高斯函數(shù)，表示為（3）式。

（3）式中：μθ（xt，t）是恢復(fù)過(guò)程中對(duì)應(yīng)前向過(guò)程第t 步加噪聲過(guò)程的均值恢復(fù)函數(shù)，Σθ（xt，t）是恢復(fù)過(guò)程中對(duì)應(yīng)前向過(guò)程第t 步加噪聲過(guò)程的方差恢復(fù)函數(shù)。

損失函數(shù)用于評(píng)價(jià)生成圖片和原圖片的差異程度，Diffusion 模型采用KL散度作為損失函數(shù)，衡量了生成圖與原圖兩個(gè)分布之間的分布距離，如（4）式。

（4）式中：c（text）是處理被引入的外部信息的模型模塊，s（^σ，c（text），t）代表估計(jì)p 分布的方差參數(shù)的模型。

s（^σ，c（text），t）采用U-Net 建模，其整體參數(shù)隨著訓(xùn)練不斷被優(yōu)化[16]。為了在模型的訓(xùn)練中引入外部信息，例如prompt 文本向量，Stable Diffusion 模型在U-Net 的每一層添加一個(gè)cross attention 模塊來(lái)處理這些信息。

2.Custom Diffusion 模型：Custom Diffusion 模型是在StableDiffusion 模型的基礎(chǔ)上，針對(duì)需要把多種新概念融入模型的情況，提出的一種新訓(xùn)練方式，即訓(xùn)練時(shí)凍結(jié)模型除cross attention 模塊外的所有參數(shù)。訓(xùn)練結(jié)束后為了防止該模型的原有生成能力產(chǎn)生災(zāi)難性遺忘，Custom Diffusion 模型把新得到的cross attention 參數(shù)與Stable Diffusion 模型的cross attention 參數(shù)融合。這樣在保持StableDiffusion 強(qiáng)大生成能力的同時(shí)還幫助模型學(xué)習(xí)到新概念的圖像特征[17]。

3. 重構(gòu)擴(kuò)散模型：聯(lián)珠團(tuán)窠紋結(jié)構(gòu)特征的可描繪性為應(yīng)用擴(kuò)散模型提供了可能性。在自定義文本prompt 描繪紋樣時(shí)，基于圖形結(jié)構(gòu)和色彩等藝術(shù)特征，采用“一個(gè)中心為（顏色）（圖案）的圓，被一層（顏色）的更小的圓包圍”的結(jié)構(gòu)。在針對(duì)聯(lián)珠團(tuán)窠紋進(jìn)行擴(kuò)散模型訓(xùn)練時(shí)，重新構(gòu)建（4）式中c（text）函數(shù)部分的模型結(jié)構(gòu)，如圖5。

該模塊采用了多次跳躍連接來(lái)幫助模型在少量數(shù)據(jù)的訓(xùn)練場(chǎng)景中充分學(xué)習(xí)到新概念的語(yǔ)義信息，減緩了由于神經(jīng)網(wǎng)絡(luò)層數(shù)過(guò)多和訓(xùn)練數(shù)據(jù)過(guò)少引起的梯度消失現(xiàn)象；同時(shí)，采用層歸一化代替批歸一化模塊來(lái)幫助模型更好地學(xué)習(xí)通道上的深層語(yǔ)義分布；最后的線性層為標(biāo)準(zhǔn)的全連接層，幫助把Transformer 模塊學(xué)習(xí)到的深層語(yǔ)義信息處理成和輸入圖像向量同樣的向量信息。

（二）評(píng)價(jià)指標(biāo)

1. 客觀評(píng)價(jià)指標(biāo)： 結(jié)構(gòu)相似度（Structural Similarity Index，SSIM）是衡量?jī)煞鶊D像之間相似度的指標(biāo)，用于比較圖像之間的結(jié)構(gòu)相似性。通過(guò)將亮度、對(duì)比度和結(jié)構(gòu)3 個(gè)方面的相似性指標(biāo)綜合考慮，得出一個(gè)結(jié)構(gòu)相似性評(píng)分[18]。評(píng)分取值范圍在-1 到1 之間，SSIM 越低，表示兩幅圖像差異性越大；SSIM 越高則越相似。在針對(duì)紋樣再生設(shè)計(jì)的研究中SSIM 可用作客觀參考指標(biāo)，判定生成紋樣與標(biāo)準(zhǔn)紋樣的相似度。

2. 主觀評(píng)價(jià)指標(biāo)：由于SSIM 僅能作為客觀定量評(píng)價(jià)指標(biāo)，如果要調(diào)查生成的紋樣能否輔助設(shè)計(jì)過(guò)程，需要主觀定性評(píng)價(jià)對(duì)生成紋樣的效果打分。將生成紋樣以問(wèn)卷形式發(fā)放，招募設(shè)計(jì)從業(yè)人員和學(xué)生參與調(diào)查，打亂順序讓參與者打分。其中分?jǐn)?shù)設(shè)置為0 ～ 5 分，分別對(duì)應(yīng)很差、差、一般、良好和優(yōu)秀。分?jǐn)?shù)越高則表明參與者對(duì)生成效果越滿意。

（三）聯(lián)珠團(tuán)窠紋再生方法

1. 訓(xùn)練模型：在準(zhǔn)備擴(kuò)散模型的訓(xùn)練數(shù)據(jù)時(shí)，僅需收集和制作少量“聯(lián)珠團(tuán)窠紋”的圖片，每張圖片匹配文本prompt。圖文數(shù)據(jù)集分為正則化集合和自定義集合兩部分輸入模型生成紋樣，正則化集合中的圖片帶有實(shí)體對(duì)象并有其他元素作為背景，自定義集合中的圖片僅有實(shí)體對(duì)象。

2. 篩選紋樣：得到輸出紋樣后，用高斯函數(shù)確定SSIM 的上下閾值來(lái)決定哪些紋樣可以用于下一輪的訓(xùn)練，其中上閾值為本輪生成圖的SSIM 得分均值加上SSIM 的標(biāo)準(zhǔn)差，下閾值為SSIM 得分均值減去SSIM的標(biāo)準(zhǔn)差。低于下閾值的紋樣不參加下一輪訓(xùn)練；高于上閾值的可視為標(biāo)準(zhǔn)紋樣，被使用者直接采用；SSIM 在二者之間的視為待定紋樣。

3. 擴(kuò)充再生：將高于下閾值的具有繼續(xù)學(xué)習(xí)價(jià)值的紋樣利用Discord 頻道的Mid journey 中的MJ version5.1 模型優(yōu)化并擴(kuò)充數(shù)據(jù)集，進(jìn)入下一輪訓(xùn)練的正則化集合供模型學(xué)習(xí)。聯(lián)珠團(tuán)窠紋再生設(shè)計(jì)方法如圖6。

三、聯(lián)珠團(tuán)窠紋再生設(shè)計(jì)

（一）數(shù)據(jù)準(zhǔn)備：由于聯(lián)珠團(tuán)窠紋錦的年代久遠(yuǎn)，褪色氧化和殘缺現(xiàn)象嚴(yán)重，相關(guān)復(fù)原圖數(shù)量較少，無(wú)法滿足模型訓(xùn)練的需求并適應(yīng)現(xiàn)代化設(shè)計(jì)的需要。因此在紋樣數(shù)據(jù)集的準(zhǔn)備階段，采取了拼合聯(lián)珠圓環(huán)和中心圖案的方式，保證訓(xùn)練數(shù)據(jù)集的多樣性。

1. 聯(lián)珠圓環(huán)：為了使模型生成的圖片色彩更加具有中國(guó)傳統(tǒng)韻味，挑選了20 組和諧典雅的中國(guó)傳統(tǒng)配色[19]。根據(jù)相鄰聯(lián)珠的間隔角度設(shè)置密、較密、較疏、疏4 種不同密度排布的聯(lián)珠圓環(huán)骨架，對(duì)應(yīng)的間隔角度分別為18°、20°、24° 和30°。將這些色彩用在聯(lián)珠圓環(huán)上，制作了不同疏密程度的聯(lián)珠圓環(huán)。

2. 中心圖案：根據(jù)聯(lián)珠團(tuán)窠紋的藝術(shù)特征和聯(lián)珠圓環(huán)的中國(guó)傳統(tǒng)配色方案，挑選了50 張單獨(dú)的團(tuán)花圖案和50 張單獨(dú)的馬的圖案。團(tuán)花因其幾何構(gòu)成規(guī)律呈現(xiàn)出對(duì)稱或中心對(duì)稱的布局。馬的形態(tài)特征較為清晰，有半身的馬頭也有動(dòng)作和姿勢(shì)豐富的全身圖，馬身和背景含有裝飾性元素。

3. 標(biāo)準(zhǔn)紋樣：原始的聯(lián)珠團(tuán)窠紋清晰復(fù)原圖較少，在前期聯(lián)珠圓環(huán)和中心圖案的準(zhǔn)備基礎(chǔ)上，將中心圖案與能夠與之色彩匹配的聯(lián)珠圓環(huán)進(jìn)行排列組合，合成符合現(xiàn)代審美的標(biāo)準(zhǔn)聯(lián)珠團(tuán)窠紋。

（二）實(shí)驗(yàn)設(shè)置：訓(xùn)練模型采用的設(shè)備是兩張32GB 顯存的V100顯卡，總計(jì)顯存需要64GB。模型參數(shù)設(shè)置圖像大小為64×64，學(xué)習(xí)率為3×10-5，圖像通道數(shù)為4，擴(kuò)散模型推理時(shí)間步為1000，模型中間層隱變量維度為320，transformer block 模塊數(shù)量為2。實(shí)驗(yàn)對(duì)象為中心圖案分別是動(dòng)物題材的馬和植物題材的團(tuán)花，每個(gè)對(duì)象設(shè)置5 個(gè)不同色彩中心圖案和聯(lián)珠圓環(huán)搭配的文本prompt，用于檢驗(yàn)?zāi)Ｐ蜕尚Ч?。由于?shí)驗(yàn)設(shè)備的限制，每個(gè)文本prompt 每次輸出的圖片數(shù)量為6 張，因此每輪實(shí)驗(yàn)共可生成30 張新的紋樣，訓(xùn)練3 輪來(lái)驗(yàn)證是否起到了再生多樣化聯(lián)珠團(tuán)窠紋的效果。

（三）訓(xùn)練結(jié)果：將準(zhǔn)備好的數(shù)據(jù)集輸入模型進(jìn)行第一輪訓(xùn)練，讓模型初步學(xué)習(xí)到“聯(lián)珠團(tuán)窠紋”在圖像上的語(yǔ)義表示。第一輪生成的紋樣經(jīng)過(guò)SSIM 篩選后，把高于下閾值的具有繼續(xù)學(xué)習(xí)價(jià)值的紋樣單獨(dú)輸入MJ version5.1 模型，模型無(wú)法矯正的內(nèi)容則人為修改，如圖7，經(jīng)過(guò)MJ version5.1 模型處理后，可以得到原始生成圖4 倍數(shù)量的擴(kuò)充圖，提高了圖片質(zhì)量的同時(shí)，也起到了提高數(shù)據(jù)集擴(kuò)充效率的作用。

最后將生成圖和擴(kuò)充圖加入之前的數(shù)據(jù)集進(jìn)行第二輪訓(xùn)練和推理，之后每輪的生成圖都重復(fù)上述操作，使數(shù)據(jù)集中不同聯(lián)珠團(tuán)窠紋的數(shù)量不斷增加，表1 是聯(lián)珠團(tuán)花紋在三輪實(shí)驗(yàn)中的生成圖，表2 是聯(lián)珠馬紋的實(shí)驗(yàn)生成圖。

四、評(píng)價(jià)結(jié)果與設(shè)計(jì)評(píng)估

（一）評(píng)價(jià)結(jié)果

1. 客觀評(píng)價(jià)結(jié)果：在實(shí)驗(yàn)過(guò)程中，為了降低結(jié)構(gòu)相似性測(cè)算的偶然性誤差，每一輪生成的每張紋樣都與三張標(biāo)準(zhǔn)紋樣分別比對(duì)結(jié)構(gòu)相似性，取平均值作為此紋樣的SSIM。每一輪生成的30 張紋樣的SSIM 平均值和均方差以及由此得到的上閾值和下閾值如表3 和表4。

2. 主觀評(píng)價(jià)結(jié)果：兩種紋樣分別從每輪生成的紋樣中挑選3 幅紋樣，共計(jì)9 幅紋樣，邀請(qǐng)參與者根據(jù)聯(lián)珠團(tuán)窠紋的藝術(shù)特征、個(gè)人審美偏好和紋樣輔助設(shè)計(jì)生產(chǎn)的價(jià)值對(duì)問(wèn)卷中生成的聯(lián)珠團(tuán)窠紋進(jìn)行打分，共收集到30 份有效問(wèn)卷，其中設(shè)計(jì)專業(yè)學(xué)生13 人，設(shè)計(jì)從業(yè)者17 人。取每輪分?jǐn)?shù)的平均值進(jìn)行比較，如圖8。

（二）設(shè)計(jì)評(píng)估

1. 保證結(jié)構(gòu)特征的穩(wěn)定性：從客觀評(píng)價(jià)結(jié)果上看，SSIM 的平均值和上下閾值保持理想數(shù)值的同時(shí)也較為穩(wěn)定。從主觀評(píng)價(jià)結(jié)果上看，第一輪兩種紋樣的平均分均為3.63，已達(dá)到良好以上的效果，且隨著訓(xùn)練輪數(shù)的增加得分逐輪穩(wěn)定升高，第三輪的平均分已經(jīng)達(dá)到優(yōu)秀的標(biāo)準(zhǔn)?；谝陨蠑?shù)據(jù)，結(jié)合生成圖的效果可以看出生成紋樣與標(biāo)準(zhǔn)紋樣有一定的結(jié)構(gòu)相似性，模型基本掌握了聯(lián)珠團(tuán)窠紋的結(jié)構(gòu)特征。

2. 提高生成紋樣的多樣性：每輪生成的紋樣都經(jīng)過(guò)MJ version5.1模型美化后用來(lái)擴(kuò)充數(shù)據(jù)集，為下一輪生成提供了更廣泛的變化依據(jù)，保證模型能夠持續(xù)產(chǎn)出多樣性的聯(lián)珠團(tuán)窠紋。客觀評(píng)價(jià)結(jié)果顯示，SSIM的平均值整體呈小幅度降低趨勢(shì)，方差隨著輪數(shù)的增加有變大的趨勢(shì)，聯(lián)珠團(tuán)窠紋的多樣性得到一定程度的提升。

3. 改善模型對(duì)單一線性關(guān)系的學(xué)習(xí)：擴(kuò)散模型是一種建立在概率分布函數(shù)基礎(chǔ)上的生成模型，由于聯(lián)珠團(tuán)花紋由簡(jiǎn)單幾何圖形構(gòu)成，較為程式化和抽象化，存在豐富的數(shù)學(xué)線性關(guān)系，容易被模型大量學(xué)習(xí)到，從而受到聯(lián)珠的影響較大。第一輪生成的紋樣整體呈現(xiàn)出以圓圈構(gòu)成花朵的效果，其他細(xì)節(jié)較少。因此需要經(jīng)過(guò)模型美化和人工調(diào)整，減少紋樣中簡(jiǎn)單數(shù)學(xué)線性關(guān)系再用于下一輪的訓(xùn)練。由生成效果可以看出，后兩輪的聯(lián)珠團(tuán)花紋構(gòu)成更復(fù)雜，層次感隨著訓(xùn)練輪數(shù)的增加有所提升。

4. 校準(zhǔn)模型對(duì)實(shí)體真實(shí)性的學(xué)習(xí)：擴(kuò)散模型對(duì)于常見(jiàn)事物有大量的訓(xùn)練基礎(chǔ)，“馬”就是模型可以識(shí)別且經(jīng)過(guò)大量訓(xùn)練的，生成的完整度高且效果好，但聯(lián)珠圓環(huán)與之匹配仍需在下一輪訓(xùn)練中將生成紋樣出現(xiàn)的錯(cuò)誤進(jìn)行矯正，逐漸校準(zhǔn)模型對(duì)實(shí)體真實(shí)性的學(xué)習(xí)。首輪輸出的聯(lián)珠馬紋存在僅有聯(lián)珠圓環(huán)或僅有馬的現(xiàn)象，某些紋樣的中心圖案里摻雜了許多學(xué)習(xí)聯(lián)珠造成的圓圈，隨著數(shù)據(jù)集中標(biāo)準(zhǔn)紋樣的比重逐步提高，模型對(duì)聯(lián)珠圓環(huán)與中心圖案的色彩、位置關(guān)系有了更清晰的理解，成功學(xué)習(xí)到數(shù)據(jù)集中準(zhǔn)備的不同馬的姿態(tài)和色彩，并能夠進(jìn)行更多姿態(tài)的變化和創(chuàng)新，生成效果逐輪提升，達(dá)到可以直接應(yīng)用的水平。

結(jié)論

為了解決傳統(tǒng)紋樣設(shè)計(jì)方法制作聯(lián)珠團(tuán)窠紋耗時(shí)耗力的問(wèn)題，提出運(yùn)用AIGC 領(lǐng)域的擴(kuò)散模型再生聯(lián)珠團(tuán)窠紋的方法。聯(lián)珠團(tuán)窠紋由外部的聯(lián)珠圓環(huán)和內(nèi)部的中心圖案組成，色彩典雅大方，結(jié)構(gòu)具有對(duì)稱均衡的特點(diǎn)。分別選擇動(dòng)物題材中的聯(lián)珠馬紋和植物題材中的聯(lián)珠團(tuán)花紋準(zhǔn)備數(shù)據(jù)集進(jìn)行實(shí)驗(yàn)驗(yàn)證。重新設(shè)計(jì)了擴(kuò)散模型的cross attention 模塊，并且融合訓(xùn)練前后該模塊的參數(shù)幫助模型用少量數(shù)據(jù)學(xué)習(xí)到新的概念。通過(guò)三輪訓(xùn)練來(lái)驗(yàn)證模型生成聯(lián)珠團(tuán)窠紋的能力，在訓(xùn)練優(yōu)化的過(guò)程中應(yīng)用SSIM 進(jìn)行了優(yōu)質(zhì)紋樣篩選并利用MJ version5.1 模型不斷擴(kuò)充數(shù)據(jù)集。

評(píng)價(jià)結(jié)果顯示隨著實(shí)驗(yàn)的進(jìn)行，主觀評(píng)價(jià)得分呈上升趨勢(shì)且均分在良好效果以上，客觀評(píng)價(jià)結(jié)果證明重構(gòu)的聯(lián)珠團(tuán)窠紋再生模型能夠在保持聯(lián)珠團(tuán)窠紋基本結(jié)構(gòu)的基礎(chǔ)上做多樣性創(chuàng)新。生成的紋樣可以在設(shè)計(jì)過(guò)程中為設(shè)計(jì)師提供靈感來(lái)源，輔助設(shè)計(jì)生產(chǎn)，應(yīng)用于服裝與家居設(shè)計(jì)、數(shù)字藝術(shù)創(chuàng)作和傳承傳統(tǒng)文化等諸多領(lǐng)域。

在利用擴(kuò)散模型進(jìn)行紋樣再生設(shè)計(jì)領(lǐng)域仍然存在廣泛的研究機(jī)會(huì)和發(fā)展前景，未來(lái)的研究可以考慮開(kāi)發(fā)具有用戶參與性的系統(tǒng)，允許用戶與AI 模型互動(dòng)并定制生成紋樣。這將為用戶提供更多創(chuàng)意的自由，推動(dòng)個(gè)性化紋樣的創(chuàng)作，為設(shè)計(jì)領(lǐng)域提供更多的工具和資源，同時(shí)需要平衡技術(shù)創(chuàng)新與倫理、文化等方面的考慮，以確保紋樣設(shè)計(jì)的可持續(xù)和有益發(fā)展。

參考文獻(xiàn)

[1]李雨來(lái)，李玉芳.中國(guó)傳統(tǒng)織繡實(shí)物考[M].北京：中國(guó)紡織出版社，2022：49-63.

[2]劉元風(fēng)，趙聲良.敦煌服飾文化圖典初唐卷[M].北京：中國(guó)紡織出版社，2022：4-11.

[3]劉悅，胡潔，王伶羽等.基于形狀文法的敦煌藻井紋樣創(chuàng)新設(shè)計(jì)研究[J].設(shè)計(jì)，2023，36（10）：14-17.

[4]邱雪琳，孫迎，劉正，等.基于色彩優(yōu)化的云錦局部風(fēng)格遷移[J].絲綢，2022，59（12）：64-70.

[5]LEDIG C，THEIS L，HUSZAR F，et al. Photo-Realistic Single Image Super-Resolution Using a"Generative Adversarial Network.In：Computer Vision and Pattern Recognition[C].2017（1）：105-114.

[6]RADFORD A，KIM JW，HALLACY C，et al. Learning Transferable Visual Models From Natura"Language Supervision.In：International Conference on Machine Learning[C].2021，139：8748-8763.

[7]DHARIWAL P，NICHOL A. Diffusion Models Beat GANs on Image Synthesis.In：Conference on"Neural Information Processing Systems[C].2021：8780-8794.

[8]中國(guó)文物學(xué)會(huì)專家委員會(huì).中國(guó)文物大辭典下[M].北京：中央編譯出版社，2008：921.

[9]杭間.中國(guó)工藝美學(xué)史第3版[M].北京：人民美術(shù)出版社，2018：145-147.

[10]馬建棟.探究敦煌莫高窟唐代藻井團(tuán)花紋在當(dāng)代語(yǔ)境下的傳承與創(chuàng)新[J].設(shè)計(jì)，2022，35（11）：46-49.

[11]趙豐，齊東方. 錦上胡風(fēng)：絲綢之路紡織品上的西方影響4-8世紀(jì)[M]. 上海：上海古籍出版社，2011：18-20.

[12]王曉，初曉玲，孫素葉.唐朝聯(lián)珠紋的藝術(shù)特征分析及設(shè)計(jì)創(chuàng)新[J].服裝設(shè)計(jì)師，2022（07）：134-144.

[13]劉春曉，單筱秋，張毅.絲綢之路打通前后陵陽(yáng)公樣圖像形式的演變[J].絲綢，2019，56（08）：93-98.

[14]趙豐.中國(guó)絲綢通史[M].蘇州：蘇州大學(xué)出版社，2005：238-246.

[15]HO J，JAIN A，ABBEEL P. Denoising Diffusion Probabilistic Models.In：Conference on Neural"Information Processing Systems[C].2020，33：6840-6851.

[16]ROMBACH R，BLATTMANN A，LORENZ D，et al. High-Resolution Image Synthesis with Latent"Diffusion Models.In：Computer Vision and Pattern Recognition[C].2022（1）：10674-10685.

[17]KUMARI N，ZHANG BL，ZHANG R，et al. Multi-Concept Customization of Text-to-Image"Diffusion[J]，Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition"CVPR），2022：1931-1941.

[18]蔣剛毅，黃大江，王旭等.圖像質(zhì)量評(píng)價(jià)方法研究進(jìn)展[J].電子與信息學(xué)報(bào)，2010，32（01）：219-226.

[19]郭浩，李健明.中國(guó)傳統(tǒng)色：故宮里的色彩美學(xué)[M].北京：中信出版集團(tuán)，2020：264-279.