AI圖標(biāo)化的新技能

為了驗(yàn)證這兩種模型是否可以對(duì)圖像進(jìn)行有效的圖標(biāo)化，研究人員分別對(duì)人體圖像、通用目標(biāo)和基于logo訓(xùn)練的圖標(biāo)化模型進(jìn)行了實(shí)驗(yàn)。

針對(duì)人體的圖標(biāo)化，研究人員僅僅利用了包含人體的圖像和對(duì)應(yīng)的圖標(biāo)進(jìn)行訓(xùn)練。通過(guò)分類(lèi)限制訓(xùn)練樣本的多樣性可以看到GANs圖標(biāo)化的能力。在訓(xùn)練過(guò)程中僅僅使用了包含部分人體的圖像，同時(shí)去除了多人的圖標(biāo)，最終利用從72張icon增強(qiáng)的1440張圖標(biāo)和1684張真實(shí)人體圖像進(jìn)行了訓(xùn)練。下圖顯示訓(xùn)練的數(shù)據(jù)樣本

下面分別比較了CycleGAN和UNIT模型對(duì)于人體圖標(biāo)化的結(jié)果，可以看到兩種模型都可以較好地圖標(biāo)化人體圖像，實(shí)現(xiàn)了對(duì)于人體的有效抽象。其中CycleGAN生成額結(jié)果更好，對(duì)于頭部和身體的形狀更為簡(jiǎn)化。但針對(duì)面部特征的圖標(biāo)化不太好主要是由于訓(xùn)練圖標(biāo)數(shù)據(jù)中缺乏有效的面部細(xì)節(jié)特征。

由于CycleGAN具有循環(huán)損失，所以研究人員還對(duì)圖標(biāo)化后的結(jié)果進(jìn)行了圖像化，下圖顯示了圖像到圖標(biāo)再到圖像的生成結(jié)果，以及圖標(biāo)到圖像再到圖標(biāo)的結(jié)果，顯示了模型對(duì)于圖像和圖標(biāo)抽象能力的理解。

隨后研究人員將圖標(biāo)化的過(guò)程拓展到了COCO中包含的通用物體上。由于物體的形狀各異、顏色紋理各不相同，模型需要處理的映射更為復(fù)雜。為此研究人員利用了由粗到精的策略來(lái)訓(xùn)練CycleGAN，依次在32x32，64x64，128x128，最終在256x256上進(jìn)行訓(xùn)練。

下圖顯示了最終訓(xùn)練后生成的結(jié)果，其中橘色框中顯示了未參與訓(xùn)練的測(cè)試圖像及其結(jié)果，很好地抽象并描述了圖像中的目標(biāo)。

盡管圖像為圖標(biāo)提供了較多的設(shè)計(jì)信息，但其結(jié)果與第一個(gè)任務(wù)中的圖標(biāo)相比還不夠抽象，與標(biāo)準(zhǔn)圖標(biāo)還有所差異。例如上圖中的鐘表圖像就抽象的不太好。由于沒(méi)有設(shè)計(jì)的通用準(zhǔn)則和標(biāo)準(zhǔn)，針對(duì)常規(guī)物體的圖標(biāo)化顯示出了較大的差異性。

為了進(jìn)一步驗(yàn)證這種方法，研究人員還利用了彩色的logo數(shù)據(jù)集LLD對(duì)圖標(biāo)化任務(wù)進(jìn)行了訓(xùn)練，使得CycleGAN生成彩色的圖標(biāo)。與上一個(gè)任務(wù)相比，生成圖標(biāo)的質(zhì)量在色彩的幫助下有了很大的提升，例如下圖中的狗子圖標(biāo)化結(jié)果就比上圖中要好很多，雖然顏色可能與原始圖像有差異，但整體的配色與形狀和我們的審美協(xié)調(diào)。

不過(guò)上圖中藍(lán)色框內(nèi)也顯示了一些錯(cuò)誤圖標(biāo)化的例子，例如鐘表沒(méi)有太多變化，第二個(gè)過(guò)于抽象化，第三、四個(gè)生成了文字，第五個(gè)則沒(méi)有保留明顯了目標(biāo)信息。這主要是由于目標(biāo)的背景、噪聲以及LLD的logo數(shù)據(jù)帶來(lái)的文字信息造成了一定影響。

但不可否認(rèn)這種圖標(biāo)化的方法可以有效地對(duì)目標(biāo)圖像進(jìn)行抽象處理，為設(shè)計(jì)師提供了創(chuàng)意參考、也為沒(méi)有設(shè)計(jì)基礎(chǔ)的小伙伴們提供了快速生成高質(zhì)量圖標(biāo)的好辦法吧～