家具的自動生成設(shè)計研究
——以椅子為例

李 珂

（南京理工大學(xué),江蘇南京 210094）

家具是與人類密切相關(guān)的主題，作為一個具有深刻文化內(nèi)涵的產(chǎn)品，家具既是技術(shù)與藝術(shù)的統(tǒng)一，也是傳統(tǒng)與創(chuàng)新的統(tǒng)一，設(shè)計師在進行家具的設(shè)計中，既需要考慮人們的物質(zhì)需求，同時也應(yīng)該滿足人們的精神需求。隨著人類生活水平的不斷提高，大眾對家居環(huán)境也存在新的追求，其家居環(huán)境中的家具作為必不可少的一部分，已經(jīng)成為一種特殊的文化符號[1]。同時，伴隨著我國近年來經(jīng)濟大轉(zhuǎn)型的背景，產(chǎn)業(yè)結(jié)構(gòu)和布局的調(diào)整，自主品牌的設(shè)計研發(fā)和“中國制造”向“中國智造”的轉(zhuǎn)變也在不斷加強。因此，制造業(yè)的追求的原創(chuàng)設(shè)計也在不斷影響各行各業(yè)的行業(yè)設(shè)計和創(chuàng)造。同時，家具行業(yè)也在潮流之下，迎來了越來越多的原創(chuàng)家具品牌。目前，順應(yīng)發(fā)展大勢，發(fā)展起來的主要有吱音、梵幾、木智工坊等原創(chuàng)家具品牌[2]。這些品牌的設(shè)計理念，生產(chǎn)工藝以及家具品質(zhì)等都具有較為出色的表現(xiàn)和市場反饋。

但是，隨著家具設(shè)計方向的發(fā)展，其行業(yè)的發(fā)展瓶頸也逐漸到來，首先，越來越多的新產(chǎn)品在設(shè)計上跳不出目前的北歐風(fēng)、日系風(fēng)和新中式等有限的幾個設(shè)計思路和產(chǎn)品標簽，存在設(shè)計風(fēng)格和設(shè)計理念固化的趨勢，難以形成豐富、多元化、跨領(lǐng)域的家具設(shè)計理念和發(fā)展局面。創(chuàng)新性的缺乏是導(dǎo)致這種現(xiàn)象發(fā)生的主要原因[3]。其次，隨著大眾對家居環(huán)境的不斷追求，但是，由于家具設(shè)計本身復(fù)雜的性質(zhì)，其對于制作成本，質(zhì)量，創(chuàng)意都有較高的要求，導(dǎo)致家具設(shè)計行業(yè)頻頻出現(xiàn)投入高，收益低的現(xiàn)象。更加劇了家具設(shè)計行業(yè)發(fā)展瓶頸的到來。而在科技高速發(fā)展的今天，大數(shù)據(jù)、人工智能等名詞不斷沖進各行各業(yè)的行業(yè)發(fā)展，為其他行業(yè)帶來了全新的理念和發(fā)展方向。而在一直依靠傳統(tǒng)的人類靈感和經(jīng)驗進行發(fā)展的設(shè)計行業(yè)，人工智能與設(shè)計行業(yè)的碰撞也帶來了潛在的新的生產(chǎn)力工具，為家具設(shè)計的發(fā)展帶來了新的發(fā)展思路。通過深度學(xué)習(xí)技術(shù)，利用計算機進行家具設(shè)計的訓(xùn)練學(xué)習(xí)，最后利用人工智能進行新屬性的家具設(shè)計，不失為一種新的家具設(shè)計思路。在圖片生成領(lǐng)域，生成對抗網(wǎng)絡(luò)（GAN）備受計算機領(lǐng)域的推崇。由于生成對抗網(wǎng)在圖像自動生成領(lǐng)域具有巨大的發(fā)展?jié)摿ΓS多研究者嘗試從GAN入手，實現(xiàn)家具外形圖片的自動生成，為創(chuàng)作者帶來了靈感，還節(jié)省了巨額創(chuàng)作開支。

一、國內(nèi)外進展

1.家具設(shè)計風(fēng)格介紹

家具由于其較為重要的生活屬性和家庭裝飾屬性，因此家具的設(shè)計由于其民族特點、風(fēng)俗習(xí)慣以及地理氣候和制作技巧的不同，各國家地區(qū)對于家具設(shè)計具有不同的風(fēng)格和設(shè)計理念。目前，世界上較為主流的幾種家具設(shè)計風(fēng)格主要包括歐洲風(fēng)格、美式風(fēng)格以及中式風(fēng)格等幾種主要的家具設(shè)計風(fēng)格。

歐洲家具主要分為三大類，分別為北歐家具、意大利家具以及德國家具三種。其中，北歐家具較為注重手工藝技術(shù)與審美的結(jié)合，因此其產(chǎn)品設(shè)計師、工匠和家具公司具有較為緊密的聯(lián)系和合作，將家具的天然美作為設(shè)計的需求和理念，其家具設(shè)計更講究簡潔精巧。而享譽世界的意大利家具講究其意大利傳統(tǒng)設(shè)計與現(xiàn)代設(shè)計的融合，形成了以米蘭為中心的家具設(shè)計和制造中心。而德國家具的設(shè)計理念則是德國人一貫的嚴謹理性、牢固耐用的原則，致力于形式與材料、工藝和設(shè)計的雙重統(tǒng)一。

而美國家具則貫承了美國人的一貫風(fēng)格，其家具設(shè)計不拘小節(jié)，更講究粗狂、大氣的美感。因此美式家具也更顯得簡潔，線條明晰，裝飾更為得體有度，不同于“披金帶銀”的歐式家具設(shè)計風(fēng)格。

我國則由于南北方生活習(xí)性差異較大，各地傳統(tǒng)文化存在較為豐富的差異，因此，我國傳統(tǒng)家具也呈現(xiàn)較為多樣的設(shè)計理念[4]。發(fā)展至今，最能代表我國家具設(shè)計風(fēng)格的主要為傳統(tǒng)中式家具設(shè)計以及新中式風(fēng)格家具設(shè)計兩種。其中傳統(tǒng)中式家具設(shè)計主要名貴稀有木材進行設(shè)計制造，講究做工嚴謹精細，例如明式家具中的榫卯結(jié)構(gòu)需要進行純手工打造，區(qū)別于現(xiàn)在的工業(yè)化生產(chǎn)設(shè)計。因此其制作成本也較為高昂，受眾面較小。而新中式家居設(shè)計為近幾年在國內(nèi)市場較為流行的家具產(chǎn)品設(shè)計風(fēng)格。新中式家具一般使用生長年限較短的水曲柳、楠木、核桃木等進行設(shè)計制造，且其設(shè)計過程中使用的釘子、膠水等工具也大大降低的純?nèi)斯ご蛟煸斐傻母叱杀尽＞C上，目前家具設(shè)計已經(jīng)形成較為風(fēng)格固化的幾類家具設(shè)計風(fēng)格，為推陳出新，打造新的家具設(shè)計風(fēng)格也是目前很多設(shè)計師不斷追求和設(shè)計的理念。

2.深度學(xué)習(xí)研究進展

而隨著近年來人工智能的火爆，利用深度學(xué)習(xí)知識進行藝術(shù)乃至家具的創(chuàng)作與設(shè)計，前人也進行了諸多的研究。王[5]等人通過分析印象派美術(shù)作品的內(nèi)存頻率特征，聯(lián)系蛋白質(zhì)序列內(nèi)部各級微觀結(jié)構(gòu)特征，描述結(jié)構(gòu)特點、微觀空間結(jié)構(gòu)表達方式等自然屬性，分析生成式對抗網(wǎng)絡(luò)的模型與算法特征，建立起蛋白質(zhì)自然屬性與繪畫藝術(shù)的深度學(xué)習(xí)框架。開發(fā)實現(xiàn)了蛋白質(zhì)與美術(shù) 作品間跨界融合的模型和算法。舒[6]等人則結(jié)合深度學(xué)習(xí)技術(shù)，實現(xiàn)了創(chuàng)意繪畫的自動生成，同時實現(xiàn)繪畫風(fēng)格的模擬，進而輸出全新的AI繪畫作品。阮[7]等人對深度學(xué)習(xí)技術(shù)與茶館類建筑設(shè)計中的應(yīng)用進行了分析研究，探究了深度學(xué)習(xí)在建筑設(shè)計中的應(yīng)用價值，為建筑設(shè)計的應(yīng)用打開了新的思路。而Yao[8]等人則是在公共建筑中疏散模型的設(shè)計中，將深度學(xué)習(xí)技術(shù)應(yīng)用與疏散模型的設(shè)計優(yōu)化進行了結(jié)合，實現(xiàn)了深度學(xué)習(xí)領(lǐng)域在建筑設(shè)計中的具體應(yīng)用。由此看出，深度學(xué)習(xí)技術(shù)在設(shè)計領(lǐng)域目前已經(jīng)有了較為不錯的嘗試和結(jié)果，諸多前人通過深度學(xué)習(xí)技術(shù)與傳統(tǒng)設(shè)計行業(yè)的結(jié)合，進行大膽的嘗試和改進，產(chǎn)生了諸多優(yōu)秀的藝術(shù)作品和研究成果。

二、生成對抗網(wǎng)絡(luò)介紹

生成對抗網(wǎng)絡(luò)屬于人工智能領(lǐng)域，通俗含義主要為通過對某一事物（圖片）大量數(shù)據(jù)的學(xué)習(xí)，來學(xué)習(xí)總結(jié)出其在數(shù)學(xué)層面上的分布規(guī)律，構(gòu)建出合理的映射函數(shù)，從而解決現(xiàn)實問題。

GAN的全稱是Generative adversarial network，中文翻譯過來就是生成對抗網(wǎng)絡(luò)。生成對抗網(wǎng)絡(luò)其實是兩個網(wǎng)絡(luò)的組合：生成網(wǎng)絡(luò)（Generator）和判別網(wǎng)絡(luò)（Discriminator）。其中，生成網(wǎng)絡(luò)也叫生成器，負責(zé)生成模擬數(shù)據(jù)并輸入判別器，目的為盡可能通過判別器，并進行數(shù)據(jù)的輸出；判別網(wǎng)絡(luò)負責(zé)判斷輸入的數(shù)據(jù)是真實的還是生成的[9]。

在GAN圖片生成訓(xùn)練的過程中，生成網(wǎng)絡(luò)要不斷優(yōu)化自己生成的圖片讓判別網(wǎng)絡(luò)判斷不出來，判別網(wǎng)絡(luò)也要通過所給真實圖片的學(xué)習(xí)，來優(yōu)化自己讓自己判斷得更準確。二者關(guān)系形成對抗，交替訓(xùn)練，生成器生成的圖片越來越接近于真實圖片數(shù)據(jù)，而判別器的鑒定水平也越來越高，進行真假圖片的判斷鑒別。直到生成網(wǎng)絡(luò)的生成圖片可以以假亂真，與判別網(wǎng)絡(luò)的判別能力達到均衡的目的，因此叫對抗網(wǎng)絡(luò)[10]。

生成對抗網(wǎng)絡(luò)被認為是當(dāng)前最具前景、最具活躍度的模型之一，也有與藝術(shù)設(shè)計等專業(yè)聯(lián)系最為緊密的人工智能網(wǎng)絡(luò)。目前主要應(yīng)用于樣本數(shù)據(jù)生成、圖像生成、圖像修復(fù)、圖像轉(zhuǎn)換、文本生成等方向。

圖1 GAN訓(xùn)練流程

三、數(shù)據(jù)介紹

在本文中，本文選取椅子作為家具設(shè)計的對象。由于椅子結(jié)構(gòu)較為簡單，與其他大型復(fù)雜家具相比，不存在“科技黑箱”設(shè)計，可以一眼洞穿椅子的形狀、結(jié)構(gòu)。因此，也較為利于生成對抗網(wǎng)絡(luò)生成實驗的成功實施。為進行生成對抗網(wǎng)絡(luò)（GAN）生成椅子圖片的訓(xùn)練，本文選取椅子圖片共150張，并截取部分圖片如表1所示。其中，為方便生成對抗網(wǎng)絡(luò)對圖片的識別和訓(xùn)練網(wǎng)絡(luò)的成功構(gòu)建，本文在圖片收集和篩選過程中做了如下規(guī)范：（1）本文對所用椅子圖片大小進行了統(tǒng)一，圖片分辨率均為400×400像素；（2）每幅圖片中僅包含一把完整的椅子，防止單幅圖片椅子過多對網(wǎng)絡(luò)訓(xùn)練造成困難；（3）每幅圖片中背景均為白色純色，避免過度的背景因素對圖像的訓(xùn)練產(chǎn)生干擾；（4）本文中所有椅子種類進行了統(tǒng)一，均為單人椅。圖片來源為北歐櫥窗Nordic網(wǎng)站（https://www.nordic.com.tw）。

圖2 部分椅子圖片

四、設(shè)計生成過程

本文通過150幅椅子圖片，進行GAN網(wǎng)絡(luò)中判別器的訓(xùn)練，利用真實的150幅椅子圖片，將圖片輸入判別器中，進行判別器對椅子的識別和判斷學(xué)習(xí)，鍛煉判別器正確識別椅子的能力，即提升判別器正確鑒別“真假椅子”圖片的能力。同時，生成器也在不斷生成“椅子”圖片，并根據(jù)判別器對假“椅子”圖片的反饋，不斷地進行生成“椅子”圖片的學(xué)習(xí)改進。通過2000輪的生成對抗神經(jīng)網(wǎng)絡(luò)的訓(xùn)練，得出結(jié)果如圖3所示，從圖中可以看出，在2000輪的生成對抗網(wǎng)絡(luò)訓(xùn)練過程中，生成的椅子圖片由開始的第一輪的隨機點、隨機顏色圖片，逐漸生成為存在一定規(guī)則、無形狀的圖片，最終逐漸生成為有椅子大致輪廓、形狀和顏色的圖片，隨著生成對抗網(wǎng)絡(luò)訓(xùn)練次數(shù)的不斷增加，其生成和判斷能力的不斷學(xué)習(xí)、加強，最終在第2000輪的訓(xùn)練中生成了具有具體形狀、規(guī)則和顏色的椅子圖片。整個訓(xùn)練過程持續(xù)近8h，通過計算機一天的訓(xùn)練，得出具有初步椅子形態(tài)、顏色的圖案。

圖3 椅子學(xué)習(xí)訓(xùn)練過程

五、結(jié)果與討論

從第1000輪開始，初次出現(xiàn)存在椅子形狀的圖片，其中1000輪、1500輪、1800輪和2000輪均出現(xiàn)不同顏色風(fēng)格的椅子圖片，且均為150幅椅子圖片中不曾出現(xiàn)的椅子風(fēng)格和顏色的圖片，滿足設(shè)計所需要的原創(chuàng)椅子設(shè)計的自動生成實驗。

同時，也可以看出，在訓(xùn)練過程中，隨著訓(xùn)練次數(shù)的不斷增加，生成器生成椅子圖片水平不斷提高，判別器通過不斷對真實椅子圖片的學(xué)習(xí)，其判斷真假椅子圖片的能力也不斷加強，其兩者的近2000輪訓(xùn)練和學(xué)習(xí)過程，基本達到了利用人工智能進行椅子圖片自動生成的效果。從效果圖中可以看出，經(jīng)過近2000輪的訓(xùn)練，其最終結(jié)果：生成的椅子圖片無論是形狀、輪廓或者椅子的顏色均與現(xiàn)實中的椅子圖片有了較大程度的符合，其生成的椅子結(jié)果符合現(xiàn)實椅子的基本需求。這也證明了利用深度學(xué)習(xí)技術(shù)進行椅子乃至其他家具設(shè)計的可行性，為其他家具設(shè)計瓶頸打開了新的思路，實現(xiàn)了現(xiàn)代的人工智能技術(shù)與傳統(tǒng)的家具設(shè)計的完美結(jié)合，為其他的人工智能設(shè)計思路打下了基礎(chǔ)。

但是利用深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)進行椅子乃至其他家具的自動設(shè)計也僅為一個初步的探索，雖然本文結(jié)果滿足初步的椅子自動設(shè)計生成的需求，目前仍存在一些不可忽略的問題和不足。

首先，從本文得出的結(jié)果可以看出，在利用深度學(xué)習(xí)進行家具的自動生成中，其最終實現(xiàn)的生成效果具有較大不不確定性，存在色彩、形狀乃至結(jié)構(gòu)與現(xiàn)代審美的差異。而家具設(shè)計需要進行材質(zhì)、色彩、功能等多個因素的一同捏合打造，如何利用深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)進行符合現(xiàn)代大眾審美、符合社會潮流以及具有較大實用價值的家具設(shè)計依舊屬于目前不能實現(xiàn)的目標，這也是本文進行后續(xù)研究的一個方向與思路。

其次，對于目前的利用深度學(xué)習(xí)進行家具設(shè)計的自動生成，也存在不同種類的家具設(shè)計依舊存在短板。由于其生成原理為利用家具圖片進行家具圖片的生成設(shè)計，因此目前僅限于對結(jié)構(gòu)較為簡單的桌、椅等家具的自動設(shè)計生成，而對于結(jié)構(gòu)較為復(fù)雜，存在內(nèi)部空間和內(nèi)部結(jié)構(gòu)的櫥、柜等家具，則不能通過家具圖片進行家具的全面設(shè)計生成，在未來通過深度學(xué)習(xí)技術(shù)的發(fā)展與進步，為以后根據(jù)家具三視圖進行復(fù)雜家具的AI自動設(shè)計提供了全新的研究方向。