基于GANICP的青花風格遷移研究

鄒吉文，徐遠純

（景德鎮(zhèn)陶瓷大學信息工程學院，江西 景德鎮(zhèn) 333403）

陶瓷凝結了中國數代勞動人民的智慧與力量。景德鎮(zhèn)作為“千年瓷都”，有著數千年的陶瓷歷史，以精美絕倫的瓷器享譽世界，是“瓷器之國”的象征。在中國中古時期，中國早已向外國銷售精制瓷器，其生產和制造的歷史源遠流長。尤其是景德鎮(zhèn)陶瓷，自此馳名天下，具有較高的陶瓷地位和廣闊的國內外市場。中國陶瓷以“白如玉、薄如紙”的特點而享譽全球，加以書法、繪畫等工藝將典雅的青花圖案、斑斕的色釉、玲瓏的薄胎等融合設計，制造成為巧奪天工的藝術品。在傳播中華傳統(tǒng)文化、促進中外經貿往來、文化交流、藝術碰撞起到了極大的推動作用，成為中國的藝術瑰寶。

計算機技術正在逐步向諸多領域滲透以實現深度融合和垂直發(fā)展。對于陶瓷行業(yè)，計算機的陶瓷花紙設計優(yōu)勢能夠很好地避免人工手繪二方連續(xù)圖形的弊端，減少人工手繪圖案造成的敗筆，從而確保花紙樣式連續(xù)、穩(wěn)定地輸出和打印，以增強陶瓷圖案設計的技術性，推動陶瓷行業(yè)的現代化進程。深度學習將人工拍攝的風景照和陶瓷圖案相融合[1]，基于CycleGAN技術提出GANⅠCP模型，利用GANⅠCP模型訓練和選擇，進一步優(yōu)化圖案風格并以風景花紙樣式輸出，作為青花瓷的紋飾圖案，從而豐富青花瓷圖案的多樣性，賦予陶瓷設計更多的創(chuàng)意，為傳統(tǒng)陶瓷人花添加當代人文思維。同時提升陶瓷產品的觀賞價值和人文情懷，成為當代陶瓷企業(yè)的創(chuàng)新突破點。

1 青花瓷風格遷移技術

1.1 CycleGAN風格遷移

GAN，即生成對抗網絡，該技術被廣泛應用到圖形生成、語義編輯和風格遷移等，作為深度學習模型無需批量標注訓練集。GAN由生成器G和判別器D組成互相競爭的對抗型網絡。以圖像數據集為例類比，其中一個網絡扮演著“偽造專家”的角色，即“生成器”；另一個網絡則扮演著“鑒別專家”的角色，即“判別器”。前者致力于生成逼真的圖像，后者接收“偽造專家”生成的圖像并區(qū)別于真實圖像。在GAN對抗組成中，生成器將被隨機噪聲干擾后的數據“偽造”合成數據樣本，判別器接收到“偽造”樣本或者真實樣本后作出判斷。若判別器的判斷結果為合成數據樣本，則輸出“偽造”及對應接近于0的分數；若判別器的判斷結果為真實樣本，則輸出“真實”并打分。同時，生成器和判別器在訓練過程中互相競爭，直到判別器無法分辨出是“偽造”還是“真實”[2]。GAN網絡中，生成器更新參數不依靠數據樣本自身，而是將判別器的反向傳播結果作為更新參數的依據，這一優(yōu)勢在很大程度上規(guī)避了機器學習的短板。

雖然GAN技術逐步完善和成熟，但是仍然面臨收斂難題。為了保證最終收斂多采用諸多參數設置以平衡生成和判別2個競爭性網絡，該技術增加了計算量，使模型訓練難度加大。具體來講，不收斂表現在梯度消失和梯度崩塌這2個方面。CycleGAN是對GAN網絡的發(fā)展和改進[3]，基于對偶思想實現風格轉換，該方法無需訓練大量成對的數據集，通過2個生成器與2個判別器完成對圖片A和B的映射，使得A、B能夠保留各自內容并完成兩者的風格轉移，從而生成逼真圖像[4-5]。但是，針對高度抽象的圖片[6]，CycleGAN很難實現圖像內容的轉移。因此，文章提出了改進的CycleGAN模型[7]。

1.2 GANICP模型

基于CycleGAN模型，GANⅠCP模型的圖像風格遷移研究在應用和理論2個方面作出了改進。

應用改進：利用多對抗網絡技術將現代設計技術滲透到傳統(tǒng)陶瓷文化中，提出了GANⅠCP應用模型，實現風景圖片和陶瓷青花山水風格的深度融合。

理論改進：針對高度抽象的圖片，CycleGAN很難實現圖像內容的轉移。因此基于PatchGAN判別器重新構建了新的生成器以處理高度抽象圖片的內容轉移。對CycleGAN中殘差層進行改進，將傳統(tǒng)加性連接替換為帶有拼接連接的殘差層，如圖1所示。

圖1 生成器網絡改進

即構建新的GANⅠCP（Generative Adversarial Networks forⅠmage to Chinese Painting Translation）模型以增加風格遷移的效果，同時保持內容完整度的平衡，并能夠以更少的訓練樣本達成預期成果。

1.3 GANICP技術原理

基于CycleGAN技術改進的GANⅠCP生成模型。2017年，深度學習領域首次提出CycleGAN技術[8]，其作用于不同圖像間的風格遷移，基于CycleGAN技術的改進，實驗提出GANⅠCP生成模型。GANⅠCP模型在陶瓷行業(yè)的應用明確界定了2個問題：①如何明確定義和分離風景圖案的整體風格和具體內容；②在圖像風格的改變和遷移過程中，如何確保圖案損失最小化，保存圖案完整內容[9]。

GANⅠCP生成模型原理為：假設存在2個空間樣本M和N，其中M空間存儲待轉換風格的圖像，N空間存儲目標風格的圖像。空間M到空間N的映射關系用Q表示，m為空間M內的圖片，經過Q映射后轉變到空間N中，表示為Q（m）；利用判別器Dm和Dn分辨圖片Q（m）的真實性并構建對抗生成網絡；空間N到空間M的映射關系用P表示，P映射確保GANⅠCP模型將空間N內的圖片n轉變?yōu)榭臻gM中的不同圖片P（n），有效杜絕將空間M的圖片轉變?yōu)榭臻gN中相同圖片的情況；GANⅠCP模型能夠同步學習圖像輸入和輸出的映射關系Q、P，使得P（Q（m））≈m、Q（P（y））≈y，最終由映射P將N空間的樣本圖像風格遷移到M空間樣本圖像中。

模型對應函數關系如下。空間M到空間N的G映射及判定模型Dn為：

2種風格圖案轉換中最小損失函數：

最終目標函數：

其中，λ值越小，圖案的風格遷移效果越好。

2 結果與分析

2.1 實驗搭建環(huán)境

實驗程序在Pycharm集成開發(fā)環(huán)境上運行，所采用的電腦型號是華碩Strix GL704GW_S7CW（英特爾Core i7-8750H@2.20GHz六核），GPU模塊運行，可實現實時性的圖像風格遷移。

2.2 實驗結果與分析

實驗選取monet2photo莫奈繪畫和自然圖片的數據集、人力收集的青花圖案數據集作為訓練集，原始圖片和實驗效果圖片如圖2所示，參考生成的風格遷移圖像進行30循環(huán)批次，整體的效果良好，基本實現了風格和內容之間的平衡，但是生成結果相對模糊，原因是青花風格現有圖片較少，多是模糊拍攝，所以內容圖像相關細節(jié)在風格遷移后精細化還原，需要收集更多清晰的青花風格圖片來進行訓練，這是后續(xù)實驗的一個方向。

圖2 風格遷移前后的圖像顏色對比

3 結束語

青花瓷是中國陶瓷的杰出名片，也是陶瓷文化的重要載體，是世界和中國交互的文化符號，在傳播文化、藝術碰撞中扮演了重要角色。在傳統(tǒng)的青花山水圖飾中，陶瓷工匠將山水、人文景物等自然風光作為陶瓷圖飾的主題繪制于瓶、碗、盤等藝術珍品與生活工具之中，經過高溫燒制，瓷器呈現出深淺不一、錯落有致的水墨風格，形成別具一格的青花陶瓷工藝品。

GANⅠCP是對原始的CycleGAN網絡的下采樣構架進行改進，通過將傳統(tǒng)加性連接替換為帶有拼接連接的殘差層來保留低維特征。對后續(xù)的低維特征和高維特征的融合起到優(yōu)化的作用，以此來更深度地抽取青花風格[10]。

文章基于機器學習和計算機視覺技術，充分彰顯陶瓷文化的品牌影響力，對傳統(tǒng)陶瓷文化進行傳承和現代化升級。將傳統(tǒng)陶瓷產業(yè)和計算機技術的縱向融合，促進陶瓷產業(yè)升級和布局優(yōu)化。風格遷移后的圖像能夠應用到陶瓷產品的生產實踐中，具備一定商業(yè)價值。

GANⅠCP青花風格遷移的研究豐富了青花瓷圖案的多樣性，賦予陶瓷設計更多的創(chuàng)意，為傳統(tǒng)陶瓷人花添加當代科技元素和人文思維，提升了陶瓷產品的觀賞價值和人文情懷，成為當代陶瓷企業(yè)的創(chuàng)新突破點。