基于智能生成技術(shù)的傳統(tǒng)招幌創(chuàng)新設(shè)計

武漢輕工大學(xué) 陳瑩燕（通信作者） 李淑彤

傳統(tǒng)招幌是古代商家吸引顧客、促進(jìn)銷售和建立品牌的主要手段，它的形成源于古代商業(yè)活動中的宣傳需要，其材質(zhì)自然樸素，造型直觀規(guī)整，色彩樸素明快，圖案吉祥，歷史悠久，并貫穿于傳統(tǒng)文化和民俗之中。而如今，智能生成技術(shù)如雨后春筍般紛紛涌現(xiàn)，其應(yīng)用也廣泛滲透到了諸如計算機視覺、文化保護(hù)、自然語言處理之中。運用智能生成技術(shù)將傳統(tǒng)招幌加以保護(hù)和創(chuàng)新，已成為當(dāng)下文化建設(shè)的重要任務(wù)。通過將兩者的結(jié)合可以更加精準(zhǔn)地詮釋傳統(tǒng)招幌的信息內(nèi)容，表達(dá)信息理念，更加形象化、細(xì)節(jié)化、視覺化實現(xiàn)非物質(zhì)文化遺產(chǎn)傳承[1]。

1 智能生成研究現(xiàn)狀

近年來，卷積神經(jīng)網(wǎng)絡(luò)、生成對抗網(wǎng)絡(luò)（GAN）等深度學(xué)習(xí)技術(shù)日趨成熟，這些技術(shù)能生成符合源數(shù)據(jù)樣本風(fēng)格相似的圖像，使越來越多不同領(lǐng)域的研究者和商業(yè)公司更關(guān)注智能生成技術(shù)。在現(xiàn)階段，基于深度學(xué)習(xí)的生成設(shè)計可以將語義概念網(wǎng)絡(luò)模型和視覺概念網(wǎng)絡(luò)模型進(jìn)行組合，通過算法訓(xùn)練和參數(shù)調(diào)整，使計算機能夠挖掘指定的跨領(lǐng)域事物之間的潛在聯(lián)系，從而生成新的信息，這些算法有助于在給定預(yù)設(shè)目標(biāo)的情況下進(jìn)一步探索，并跟蹤算法從概念到結(jié)果的思維過程。

因此，有望通過人工智能設(shè)計的方法來學(xué)習(xí)傳統(tǒng)招幌的視覺表現(xiàn)及風(fēng)格，在盡可能保持其原有視覺風(fēng)格特點的基礎(chǔ)上來進(jìn)行智能生成。這樣既有利于設(shè)計師擺脫既定的思維框架，又能借助人工智能技術(shù)提供的各種支持，激發(fā)設(shè)計師的創(chuàng)作靈感，開拓設(shè)計思路，使設(shè)計出的產(chǎn)品更加多樣化與全面化[2]。但由于GAN的程序需要收集大量的訓(xùn)練與數(shù)據(jù)，目前從一些傳統(tǒng)歷史文獻(xiàn)、書籍、照片檔案中收集到的傳統(tǒng)招幌比較有限，只能嘗試根據(jù)其形象特征重構(gòu)制作出一些招幌圖案。文章通過利用設(shè)計學(xué)圖像處理算法與計算機智能圖形生成算法來進(jìn)行圖形數(shù)據(jù)的增強，構(gòu)建了一個可包含多達(dá)1000 張圖片PNG 格式的矢量傳統(tǒng)招幌圖案數(shù)據(jù)集合，運用GAN 來自動生成傳統(tǒng)招幌。

2 中國傳統(tǒng)招幌分析

我國“招幌”的形態(tài)表現(xiàn)有著近百年的歷史。在原始社會時期，招幌以實物成列、口頭叫賣聲為主；春秋戰(zhàn)國兩漢時期，行商多以聲響、演示幌子廣告；坐商多以實物為幌、文字為幌（酒旗）。秦漢時期，出現(xiàn)了視聽廣告，商人用工具發(fā)聲；實物展示中出現(xiàn)了一種新形式的壚（指放置酒缸的土桌）。北魏時期，實物陳列幌直接展示了商品本身的實物質(zhì)量和特點。隋唐時期，掛在商店門前作為標(biāo)志的牌子（招牌）開始出現(xiàn)，洛陽率先流行起“掛牌經(jīng)營”和酒旗，燈籠廣告也在此后開始盛行。宋元時期，抽象的幌子日益增多，開始逐漸重視裝飾，采用了夸張的旗簾造型（瓶、勺、掃帚、構(gòu)、碗等）裝飾，形狀開始從原來單一的三角形逐步變化成長方形等；顏色也從使用單一的顏色逐漸過渡到使用更為鮮艷而明亮的色彩，應(yīng)用形式方面也已不斷趨于完善，范圍基本涵蓋各種大型藝術(shù)建筑（包括彩樓、門等）。當(dāng)時的店鋪幌子除了有店鋪行業(yè)身份識別的基礎(chǔ)作用，還增加了一些更具自身特色的個體標(biāo)識。到了元明清歷史時期，從招幌的表現(xiàn)形式上看，大多是對中國古代早期實物展示招幌的又一種繼承與創(chuàng)新，主要代表產(chǎn)品有實物陳列式招幌、實體模型幌（擁有體積及重量的物理形態(tài)概念實體物件）、招牌、符號招幌、標(biāo)志幌、店鋪裝飾幌等形式；在使用方法上，做到有店必先有幌，一幌一店的水準(zhǔn)[2]。作為中國商業(yè)品牌文化輸出項目中較典型、較具代表性的視覺載體，招幌文化的核心地位正式確立，成為中國民俗文化寶庫中極為重要的一部分。

除此之外，我國“招幌”的文字記載也可以追溯到幾百年前，如韶廬的《商標(biāo)考》、佚名的《北京民間生活彩圖》和孟元老的《東京夢華錄》等，這些傳統(tǒng)文字主要簡述了招幌的應(yīng)用類型，并沒有進(jìn)一步的深入剖析[3]。隨著當(dāng)代藝術(shù)研究者對中國傳統(tǒng)視覺藝術(shù)越來越重視，傳統(tǒng)招幌的視覺形象研究也多了起來，研究方向也逐漸向民間工藝美術(shù)靠攏。如今，由傳統(tǒng)招幌設(shè)計演變出的廣告設(shè)計領(lǐng)域，智能技術(shù)已經(jīng)滲入廣告創(chuàng)作環(huán)節(jié)的工具輔助階段。智能技術(shù)分解創(chuàng)意環(huán)節(jié)，實現(xiàn)了由整體到局部的拆解，廣告創(chuàng)意變成了可拆分、可重組的元素組合，程序化創(chuàng)意將色彩、字體、文字、圖片等不同部分分割開來，并組成為多種組合，這很大程度上打破了“千人一面”的傳統(tǒng)創(chuàng)意模式[4]。一些學(xué)者也開始關(guān)注中國古代各種招幌廣告形式的研究，但缺乏從智能生成與保護(hù)角度的系統(tǒng)整理，大多是零星的文章，研究性不強。

隨著時代進(jìn)步，不同形式的招幌所伴隨的經(jīng)濟(jì)背景、商業(yè)環(huán)境均產(chǎn)生了多方面的歷史變化，在大量搜閱了相關(guān)信息之后，發(fā)現(xiàn)有關(guān)各種招幌形式的研究資料大多僅以簡單文字形式的特征描述為主，單著眼于描述出在某種經(jīng)濟(jì)背景和特殊環(huán)境背景下所產(chǎn)生出的招幌，缺少對招幌的圖片記錄，導(dǎo)致許多傳統(tǒng)招幌的圖像流失嚴(yán)重。傳統(tǒng)招幌急需融合當(dāng)代審美，進(jìn)行傳承與革新，并將人工智能為代表的新技術(shù)融入其中，尋找新的發(fā)展機遇。

3 基于智能生成的傳統(tǒng)招幌設(shè)計實驗

3.1 GAN 相關(guān)工作

近年來，深度學(xué)習(xí)的發(fā)展逐步加深，一種新的算法出現(xiàn)在智能生成領(lǐng)域，即GAN。它是由Ian GoodFellow 公司2014 年提出的算法模型，主要目標(biāo)是通過學(xué)習(xí)真實世界中的圖片風(fēng)格去智能生成創(chuàng)作一些新的圖片。相比于傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)模型，GAN 是一種非監(jiān)督類型的深度學(xué)習(xí)方法[5]，它包括兩個主要部分——生成器和鑒別器，讓這兩者之間互相對抗，達(dá)到一種均衡，從而生成出工作者想要的圖像。鑒別器的主要作用是鑒別出一張圖片到底是真實顯示的圖片還是完全虛假的圖像；生成器用于隨機生成一個樣本，并能將它轉(zhuǎn)作為假樣本。生成器的工作目標(biāo)其實是以偽造訓(xùn)練圖片來欺騙鑒別器，讓鑒別器完全無法從中分辨出來真假，做法則是通過選取訓(xùn)練圖片數(shù)據(jù)中潛在空間的元素來進(jìn)行隨機組合，并加入一些隨機的噪音，作為假數(shù)據(jù)輸入鑒別器。在實際訓(xùn)練的過程中，鑒別器還會自動接收到真實訓(xùn)練數(shù)值和生成器產(chǎn)生出的偽訓(xùn)練數(shù)值，鑒別器的任務(wù)是判斷圖片是屬于真數(shù)據(jù)的還是假數(shù)據(jù)。該訓(xùn)練會一直持續(xù)到平衡和諧的狀態(tài)。訓(xùn)練結(jié)束后產(chǎn)生的則是一個滿足固有特性要求的自動生成器和一個判定能力較強的鑒別器。前者可以用于機器創(chuàng)作，后者則用來機器分類。

在智能生成中，GAN 有著更為廣闊深遠(yuǎn)的現(xiàn)實應(yīng)用與前景，理論上能訓(xùn)練任何一種生成器網(wǎng)絡(luò)。首先，GAN 能更好地對數(shù)據(jù)分布建立模型，使圖像更銳利、清晰等。其次，GAN 無需像馬爾科夫鏈采樣那樣在學(xué)習(xí)進(jìn)程中進(jìn)行推測，也沒有復(fù)雜的變分下界，可以幾乎完美的避開因相似計算值而感到棘手的問題[6]。

3.2 傳統(tǒng)招幌的數(shù)據(jù)集構(gòu)建

要使用GAN 生成傳統(tǒng)招幌，首先需要構(gòu)造一個招幌數(shù)據(jù)集，由于可找到的招幌圖片數(shù)量有限，且顏色各異，且GAN 對于數(shù)據(jù)的要求較高，為了降低GAN 的訓(xùn)練難度，提高生成效果。此次實驗對彩色圖片進(jìn)行邊緣提取轉(zhuǎn)化成黑白圖片，過程為使用高斯濾波器平滑圖像。計算梯度的范圍和減弱方向并在梯度增加的數(shù)值范圍內(nèi)執(zhí)行NMS（非最大值抑制）。隨后使用閾值算法進(jìn)行邊緣檢測。最后經(jīng)過canny 算子進(jìn)行邊緣提取，得到了1158 張二值圖片。

3.3 傳統(tǒng)招幌的生成

此次實驗采用使用GAN 生成傳統(tǒng)招幌。由于原始GAN 存在一定的局限性，例如生成質(zhì)量差、訓(xùn)練缺乏穩(wěn)定性，后來研究人員在訓(xùn)練穩(wěn)定性上進(jìn)行了一系列改進(jìn)。WGAN 使用Wasserstein距離數(shù)據(jù)來定量描述所觀察了解到的一些真實現(xiàn)象，來減輕GAN中發(fā)生的模式崩潰[7]。WGANGP 提出了使用梯度懲罰的策略來代替在WGAN 中的權(quán)重被截斷，從而可產(chǎn)生更為出色的圖像效果，并有效地避免了模式的崩潰[8]。LSGAN 使用了最小的二乘損失函數(shù)，緩解了GAN 訓(xùn)練結(jié)果不完全穩(wěn)定和生成的圖像多樣性不足引起的問題[9]。SAGAN 引入到了自適應(yīng)注意力機制，并在首次實現(xiàn)在圖像生成器系統(tǒng)中使用譜歸一化，生成出了一些相對較高質(zhì)量的圖像。BIG-GAN 通過采用大模型和更大的參數(shù)量而獲得了性能大幅度地提升，使圖像擁有更高的分辨率[10]。在目標(biāo)圖像風(fēng)格轉(zhuǎn)換的任務(wù)中，Pix2Pix 可以采用成對數(shù)據(jù)集，將同一目標(biāo)域上所有的目標(biāo)圖像作監(jiān)督的信息數(shù)據(jù)集，然后分別獨立指導(dǎo)完成風(fēng)格遷移[11]。Cycle-GAN 通過使用非平行的數(shù)據(jù)集，采用一致性損失，使用雙層生成對抗網(wǎng)絡(luò)來完成風(fēng)格轉(zhuǎn)換的任務(wù)[12]。

通過加入空間注意力機制，對DCGAN 網(wǎng)絡(luò)進(jìn)行改進(jìn)，以達(dá)到更好的圖片生成效果。卷積神經(jīng)網(wǎng)絡(luò)系統(tǒng)（CNN）在可監(jiān)督學(xué)習(xí)領(lǐng)域的各種學(xué)習(xí)任務(wù)上總體表現(xiàn)比較良好，但在無監(jiān)督的學(xué)習(xí)任務(wù)領(lǐng)域上表現(xiàn)比較不佳。DCGAN 結(jié)合有監(jiān)督學(xué)習(xí)系統(tǒng)中使用的CNN 和在無監(jiān)督學(xué)習(xí)系統(tǒng)中使用的GAN，使得網(wǎng)絡(luò)訓(xùn)練穩(wěn)定，快速收斂。且在每個卷積層之后加入空間注意力機制（SE block），使得網(wǎng)絡(luò)更關(guān)注生成圖片的空間特征，改進(jìn)之后的DCGAN 網(wǎng)絡(luò)生成器和鑒別器分別如圖1、圖2 所示。

圖1 改進(jìn)的生成器結(jié)構(gòu)

圖2 改進(jìn)的鑒別器結(jié)構(gòu)

文章所提出的圖像生成模型采用圖像生成對抗網(wǎng)絡(luò)的思想，使用深層的神經(jīng)網(wǎng)絡(luò)理論來解釋學(xué)習(xí)的數(shù)據(jù)風(fēng)格特征，由圖像生成器和圖像鑒別器兩個部件組成。生成器結(jié)構(gòu)圖如圖1 所示，生成器主要包括微步卷積層、批量歸一化層和激活層，它通過任意一個100 維的隨機向量，學(xué)習(xí)傳統(tǒng)招幌圖像中的數(shù)據(jù)風(fēng)格特征分布，來生成某種特定的數(shù)據(jù)風(fēng)格特征的傳統(tǒng)招幌圖像。當(dāng)一組100 維左右的隨機向量輸入生成器后，通過四個微步卷積的操作來進(jìn)行連特征提取，并將最終數(shù)據(jù)通過一次注意力機制（SE block），映射到了一張128×128 像素所組成的圖像上，圖1 中的每個箭頭分別表示為每一個微步卷積層的操作。鑒別器結(jié)構(gòu)如圖2 所示，當(dāng)128×128 位像素的圖像輸入鑒別器之后，鑒別器通過卷積連續(xù)下采樣提取圖像8×8 通過線性和激活層區(qū)提取圖像高級特征。它通過需要區(qū)分圖像生成過程中的圖像數(shù)據(jù)，并盡可能有效地學(xué)習(xí)如何嚴(yán)格區(qū)分生成的合成圖像和真實的圖像，最終使用圖像生成器中的生成的圖像輸出與其輸入數(shù)據(jù)符合于真實的合成圖像，使實際生成的圖像數(shù)據(jù)無法嚴(yán)格的區(qū)分圖像生成鑒別器數(shù)據(jù)信息的分布。方法中并未包含使用的全連接層和池化層，所有的權(quán)重都將自動被初始化為一個標(biāo)準(zhǔn)差為正負(fù)各0.02，均值為負(fù)正至0 之間的正態(tài)分布。實驗中使用批量歸一化梯度的操作方式來標(biāo)準(zhǔn)化權(quán)重，優(yōu)化網(wǎng)絡(luò)梯度，以盡量避免訓(xùn)練時梯度消失。同時在激活層上使用到了非線性的LeakyRelu 激活函數(shù)，一方面更加容易的提高了計算和收斂的速度，另一方面又解決掉了梯度的消失現(xiàn)象和一些神經(jīng)元沒有完全被激活的問題。保證訓(xùn)練更加穩(wěn)定。

損失函數(shù)包括生成器的損失函數(shù)和鑒別器的損失函數(shù)：

z 分別為表示發(fā)送圖像和輸入圖像信號返回到圖像生成器中指依照實際情勢進(jìn)行的自由組合的圖像信號的向量，G 表示生成器的損失函數(shù)，D 表示鑒別器的損失函數(shù)。在整個GAN 中，可以通過最小化生成器中的損失，使得隨機生成出來的圖像信息更容易欺騙鑒別器網(wǎng)絡(luò)，并被判斷為真，而如果同時能通過最小化鑒別器中的損失，使得鑒別器鑒別效果更準(zhǔn)確，將真實的圖像判斷為真，將生成的假的圖像判斷為假。生成器和鑒別器損失函數(shù)均使用Adam 優(yōu)化器來最小化損失函數(shù)。

4 傳統(tǒng)招幌的智能生成設(shè)計結(jié)果

此次實驗使用NVIDIA GeForce RTX 3070 顯卡訓(xùn)練生成對抗網(wǎng)絡(luò)，經(jīng)過48h 的訓(xùn)練，模型收斂，生成器與鑒別器達(dá)到穩(wěn)定的結(jié)果。

基于傳統(tǒng)招幌的智能生成方法，通過輸入制作好的招幌數(shù)據(jù)集進(jìn)行訓(xùn)練，模型訓(xùn)練完成之后，可使用生成器隨機生成多種風(fēng)格的招幌圖，減少人工制作招幌的成本。但對于GAN 的訓(xùn)練，與分類、檢測等計算機視覺任務(wù)不同的是，GAN 的訓(xùn)練過程類似于一種創(chuàng)作的過程，其模型與原理更為復(fù)雜，對數(shù)據(jù)集的要求也更高，訓(xùn)練周期也更長，故在使用GAN 進(jìn)行傳統(tǒng)招幌的智能生成時，應(yīng)注意以下幾個方面：

1）高質(zhì)量的數(shù)據(jù)集。實驗中，GAN 通過學(xué)習(xí)傳統(tǒng)招幌數(shù)據(jù)的特征，來智能生成新的招幌圖片。生成的招幌圖片的質(zhì)量極大程度上取決于訓(xùn)練時的數(shù)據(jù)集質(zhì)量。由于制作數(shù)據(jù)集的人力成本很高，為了使GAN 不產(chǎn)生欠擬合的問題，故簡化了生成目標(biāo)，將制作的數(shù)據(jù)集進(jìn)行二值化，僅用白色表示招幌的輪廓，其余部分則為黑色，這樣在訓(xùn)練過程中，灰度值僅需要除以255 則可規(guī)范化，簡化了訓(xùn)練過程。

2）模型的選擇。模型的選擇直接決定了GAN 的智能生成效果，由于實驗中制作的數(shù)據(jù)集規(guī)模比較小，故不適用于復(fù)雜的模型，因此采用了一個輕量級的網(wǎng)絡(luò)，并引入了空間注意力機制，提高了傳統(tǒng)招幌的智能生成質(zhì)量。

3）損失函數(shù)的確定。一個良好的損失函數(shù)類似于一個好老師，引導(dǎo)著模型去達(dá)到想要的結(jié)果，使得模型收斂更快，訓(xùn)練更穩(wěn)定在函數(shù)GAN 中，由于有兩個部分存在—生成器和鑒別器，所以損失函數(shù)中還需要同時包括這前兩個部分，這里采用的是交叉熵?fù)p失，充分考慮了兩個部分的損失。

4）優(yōu)化器的選擇。在選擇了損失函數(shù)之后，Adam 優(yōu)化器的優(yōu)化效率對GAN 十分顯著，避免了梯度消失等問題。

由于數(shù)據(jù)集較小且風(fēng)格較為單調(diào)，智能生成效果依然有一些局限性，后續(xù)準(zhǔn)備制作一個更大的數(shù)據(jù)集，且對模型進(jìn)行適當(dāng)?shù)母倪M(jìn)。此外，由于采用GAN 的生成方法，不需要人工參與，不能朝著設(shè)計者所希望的方向進(jìn)行生成，后續(xù)也準(zhǔn)備嘗試，將生成任務(wù)變?yōu)閮H僅生成招幌的部分元素，使設(shè)計者能夠有一些自主的空間進(jìn)行發(fā)揮。

5 結(jié)語

文章提出了一種基于智能生成技術(shù)的傳統(tǒng)招幌創(chuàng)新設(shè)計方法，通過分析GAN 的訓(xùn)練以及生成過程，首先制作了一個關(guān)于傳統(tǒng)招幌的數(shù)據(jù)集，為了簡化任務(wù)，對招幌數(shù)據(jù)集進(jìn)行邊緣提取，并將數(shù)據(jù)二值化，輸入改進(jìn)的GAN 進(jìn)行訓(xùn)練。訓(xùn)練完成后，生成器可智能生成一些高質(zhì)量的黑白邊緣的傳統(tǒng)招幌圖片。該方法對弘揚傳統(tǒng)文化，簡化設(shè)計師設(shè)計過程具有重要意義。