最近云栖社区更新了一篇星瞳关于《鲁班视觉引擎》的介绍文章。
部分内容引自星瞳的ppt。 本文从3个方面谈谈智能设计与视频广告的结合: 1 鲁班的图像设计与生成 2 智能设计局限与突破 3 智能设计的4个方向 3.1 应用设计大数据“复制”设计 3.2 特定风格的算法驱动型设计 3.3 基于图像的智能排版引擎 3.4 基于pix2pix的生成设计 1 鲁班的图像设计与生成 鲁班目前的图像设计与生成,主要是 banner 类的图,核心是素材搭配求得最优组合。把 banner 拆解成背景、主体、装饰等,检索,然后组合。按图层拆解设计图,结构化设计数据,然后检索“库存”,按照输入的布局组装检索到的素材,评估及优化素材组装后的效果,直至最终生成最优的素材组装结果。 引自星瞳的ppt A 输入(显式输入): 图片:商品主图 文案:化妆会场5折起…… 风格:运动 构图:左右 配色:黄绿 大小:1125*352 B 特征化: image text style=sport layout=LTRI color=YG size=3:1 C 规划: 16*16的特征图 D 行动: 256*256 E 调优: 1125*352 F 可视化 2 局限与突破 应用设计大数据,“复制”设计。首先需要准备大量的打好标签的素材,设计结果取决于素材库的“库存”质量。设计过程被简化为组合素材的过程。所以对应的人类设计师水平是“ P5 ” ?设计是极富创意的过程,除了解决问题,利用设计可以使用的元素,创意性地提出解决方案,是高水平设计的价值所在。所以,鲁班也在尝试像素级生成以及根据主题生成文案,让 AI 更具有创造力。这方面的探索追求的是设计的从0到1。 3 智能设计的4个方向 这里 mixlab 总结下智能设计目前的实现方式。 3.1 应用设计大数据,“复制”设计 从半结构化的设计图,例如 psd 文件、sketch 文件等,提取设计数据,包括图片、文案、布局、色彩,形成设计大数据,然后通过搜索引擎技术,枚举各种组合,并评分,最后得出最优结果。 mixlab 有一个简化版的实现文章:DIY一个人工智能设计师。 3.2 特定风格的算法驱动型设计 更像是算法驱动型的设计,把特定风格图像设计的设计规则算法化,直接应用算法于生成设计。例如 mixlab 近期尝试过的glitch 风格的字体生成器。 3.3 基于图像的智能排版引擎 微软研究院发的一篇论文,专注于杂志风格封面的版式设计,是基于图像的 saliceny map 做的自适应布局方案。Mixlab 在去年也专门更新了一篇文章介绍。 3.4 基于pix2pix的生成设计 只要是图片与图片之间的转换,我们都可以尝试 pix2pix 来生成试试。在《Pix2Pix与人工智能做设计》这篇文章, mixlab 介绍了 pix2pix 的一些探索应用:
以上是4个智能设计的方向。在 mixlab 的微信群或知识星球都有定期的探讨。设计的从0到1,接下来可以试试强化学习的思路,把设计的规则限定好,在有限的规则中进行设计的从0到1创造。 本文同时在知乎专栏:《人工智能+设计修炼指南》发表。 * |
|
来自: Mixlab交叉学科 > 《待分类》