新一代人工智能技術在平面設計中的應用

趙永濤，高經緯

【視覺傳達設計】

新一代人工智能技術在平面設計中的應用

趙永濤1*，高經緯2

（1.洛陽理工學院 藝術設計學院，河南 洛陽 471003；2.天津大學，天津 300354）

探討人工智能技術在平面設計領域中的應用現狀和不足，并提出一種基于自然語言描述的圖像生成方法，以更好地滿足設計師的需求。采用GPT-3模型生成創作思路的文本描述，并使用穩定擾動（Stable Diffusion）算法生成與描述相匹配的圖像。通過測試和應用實例驗證方法在平面設計中的效果，旨在探索平面設計領域中的新視角和工具，以簡化設計過程，提高設計質量和效率。研究采用實證分析方法，結合實驗結果和定性分析，評估了該方法生成的圖像與自然語言描述的匹配程度、圖像質量，以及方法的靈活性和可控性。通過這些評估指標，可確定該方法的有效性，并更好地滿足設計師的需求。未來的研究方向包括進一步增強算法的多樣性、創意性，以及探索更智能化的平面設計工具，以提高設計師的工作效率和設計品質。

人工智能技術；平面設計；自然語言理解算法；圖像生成

平面設計是將文本、圖像與色彩等視覺元素組合起來，傳遞信息和情感的一種藝術形式[1]。它廣泛應用于印刷品[2]、包裝[3]、標識[4]、廣告[5]等領域，并在互聯網和移動應用程序的設計中得到了越來越多的關注。平面設計的本質在于通過設計構建出令人印象深刻、直觀易懂的視覺元素，從而達到信息傳遞和情感溝通的目的。

平面設計中包含了許多視覺元素[6]，包括圖形、圖像、色彩和空間等[7-8]，設計師需要根據其設計目的，靈活地選擇和搭配這些元素，從而構建出一個完整、清晰和吸引人的設計作品。平面設計需要符合觀眾視覺認知的特點，以便觀眾能夠快速地獲取信息并理解設計的意圖[9]。在設計的過程中，設計師需要注意設計細節和整體效果，如線條與色彩的選擇、比例和平衡等，這些細節可以直接影響到設計作品的效果和品質[10]。

平面設計的歷史可以追溯到古代的書籍裝幀和印刷品制作，但直到19世紀末和20世紀初，平面設計才逐漸形成為一門獨立的學科。20世紀上半葉，平面設計發展迅速，主要受到包豪斯學派、現代主義和構成主義的影響。這些流派主張以簡潔、清晰、功能性為設計的核心，強調設計要符合生產力和現代社會的需求[11]。

隨著人工智能技術的快速發展，它的應用范圍也在不斷拓展。其中，人工智能在平面設計中的應用越來越受到關注[12]。在傳統平面設計中，設計師通常需要通過手工繪圖、數字化繪圖軟件等手段來完成設計作品。這種方式不僅需要花費大量時間和精力，而且設計師需要具備較高的藝術修養和設計能力。在這種情況下，人工智能技術的應用可以大大提高平面設計的效率和質量[13-14]。

人工智能技術在平面設計中的應用主要包括兩個方面：圖像處理；自動化設計[15]。在圖像處理方面，人工智能可以應用于圖片修復、圖像增強、圖像識別等方面。徐國彬等[16]采用一種改進算法改善了數字類國畫缺陷修復問題，具有一定的實際應用價值。董霙達等[17]針對現存傳統蒙古家具紋路樣式模糊等問題，提出一種機器學習方法，增強了紋樣特征，其對文物修復和保護具有參考價值。許鑫等[18]以剪紙為載體，通過研究剪紙圖像自動分類識別技術來探討人工智能技術在藝術領域中的應用，取得了良好的分類效果。在自動化設計方面，人工智能可以幫助設計師完成排版、顏色搭配[19]、字體設計[20]等工作。本研究主要關注人工智能在平面設計中，針對自動化設計的應用。高峰等[21]首先進行人工智能案例的分析，然后基于人工智能的輔助設計座椅形態，經過多次調整，取得了較好的效果。李雄等[22]借助對抗神經網絡來進行概念草圖的設計，有助于設計師突破思路，提高設計效率。

雖然目前風格遷移、對抗生成網絡（GANs）和其他機器學習算法在平面設計領域中越來越受到關注，且這些算法提供了一種自動化、高效的方式來創建平面設計，但它們通常需要大量的數據來訓練模型，因為很難收集到足夠的數據，這對某些類型的設計來說可能是不可行的。此外，這些算法往往需要強大的計算能力，對一些小型設計團隊或設計師來說可能是一種挑戰。不僅如此，算法生成的圖像品質和多樣性也是一個問題。通常傳統算法生成的圖像比較平淡且缺乏個性。這些算法還往往受到訓練數據的限制，很難超越數據中的內容和風格，因此難以實現真正的創造性和獨特性。

針對以上問題，本研究提出了一種基于自然語言描述的圖像生成方法，利用GPT-3（Generative Pre-training Transformer-3）[23]模型生成創作思路的文本描述，并使用穩定擾動（Stable Diffusion）[24]方法生成與自然語言描述相匹配的圖像。本研究團隊在設計者提供的自然語言描述上進行了測試，并列舉了包裝、書籍封面和廣告設計的應用實例。實驗結果表明，該方法能夠有效生成與自然語言描述相匹配的高質量圖像。通過人工智能技術的自動化和高效性，設計生成過程迅速，節省了設計時間。該方法具備靈活性和可控性，能生成具備多樣性、高質量的圖像。應用人工智能技術使得設計作品適應不同風格和要求，不僅可滿足設計師的個性化需求，并提供更多創意和選擇，還能加強設計師與客戶之間的溝通與理解，通過生成與客戶需求相匹配的圖像，幫助設計師更好地理解客戶需求，改善設計師與客戶之間的合作，產生更好的設計結果。

1 方法

1.1 自然語言理解模型

本研究采用了預訓練的語言模型GPT-3來解析設計師提供的自然語言需求描述。GPT-3是一個基于transformer結構的語言模型，通過預測下一個單詞的方式進行自監督學習，其具有很強的語言理解能力。傳統遷移學習模型和生成式預訓練遷移學習模型的對比圖，見圖1。

傳統遷移學習模型中包含編碼器和解碼器兩部分，而生成式預訓練遷移學習僅使用了一個多層的解碼器，因此生成式預訓練遷移學習模型相較于傳統模型有了明顯的改進。本研究使用的GPT-3模型使用來自人類反饋的強化學習方案，通過對大語言模型進行微調，從而可在較少參數的情況下，生成優于往期的模型。鑒于傳統自然語言技術存在的多種局限，基于大語言模型的GPT-3充分利用大量無標注文本進行預訓練，從而使得模型在小樣本和無樣本場景下有較強的理解與生成能力。基于人類反饋的強化學習方案基本流程如圖2所示。

如圖2所示，首先為保證模型有充足的知識儲備量，需要收集大量的說明解釋數據來訓練監督策略。隨后，標記者記錄模型希望輸出的結果并利用這個標記數據結合監督學習對模型進行微調。其次，研究人員對這個訓練的數據集和若干模型結果進行抽樣，把輸出結果從最優到最差進行排序，并以此數據訓練反饋模型。然后，把新的問題從樣本中抽樣，借助模型生成輸出結果，并計算這個反饋結果的準確率。最后，將這個反饋結果用以優化策略模型，從而使模型輸出最正確可靠的結論。

圖1 傳統遷移學習模型和生成式預訓練遷移學習模型對比圖

1.2 自然語言描述到低維向量表示的轉換

為了將自然語言描述轉換為穩定擾動算法中需要的低維向量表示，采用了GPT-3對自然語言描述進行編碼，其能夠將自然語言描述轉換為高質量的低維向量表示，然后使用穩定擾動方法來生成與自然語言描述相匹配的圖像。穩定擾動圖像生成算法結構如圖3所示。

穩定擾動算法首先使用預訓練模型對需要訓練的圖像生成相應的描述詞語，然后使用變分自動編碼器訓練模型，接下來將經過壓縮后的數據輸入擴散過程模型，進行正向采樣操作。在數據輸入過程中會產生噪音，持續記錄每步產生噪音的數據。

進一步地，利用交叉注意力機制將潛在空間中的特征和另一模態特征融合。交叉注意力公式見式（1）。

圖3 穩定擾動圖像生成算法結構

在向前過程中根據多元高斯分布來生成一張純噪音圖像，利用變分自動編碼器將純噪音圖像壓縮到算法潛在空間中。進一步地執行去噪網絡，利用交叉注意力機制融合多模態信息，并預測每一步需要檢測的噪音，最后利用變分自動編碼器將生成圖片還原到目標圖片大小。

當生成完圖像后，還可以通過微調來修改自己生成的模型。通過這種方法，可將自然語言描述轉換為圖像，并且保留輸入句子的語義信息，從而讓生成的圖像更加符合設計需求。

2 實驗設計

在當代平面設計中，藝術家和設計師們需要創造出高質量的圖像來滿足客戶和觀眾的需求。隨著人工智能技術的快速發展，使用機器生成圖像逐漸成為了一個重要的趨勢，這不僅可以減少設計師的工作量，還可以為設計師提供更多的創作靈感。本研究使用了來自設計師的一組自然語言描述，作為輸入進行實驗。針對每個自然語言描述，筆者將GPT-3模型用于解析設計師的思路，然后從GPT-3輔助生成的描述中提取關鍵詞，并使用穩定擾動（Stable Diffusion）生成與關鍵詞描述相匹配的圖像。接下來，通過將本研究算法應用于平面設計中常用的黑白版畫、水彩與厚涂油畫、建筑與風景設計、數字插畫設計、3D渲染效果設計等表現形式中，來探討本研究算法的合理性與適用性。

黑白版畫作為一種古老的印刷技術，一直以來都是平面設計中的重要元素。如表1的序號1～3所示，經本研究算法生成的黑白版畫可被用來表現一種古典、優雅的氣質。如表1的序號4所示，創造出一種神秘、幽暗的氛圍。同時，生成黑白版畫的高對比度和紋理感也能夠給設計作品帶來更多的層次、更強的立體感。經本研究算法生成黑白版畫的應用不僅能夠強調設計作品的主題和情感，還可以起到吸引目光和增加視覺沖擊力的作用。

水彩和厚涂油畫作為兩種藝術繪畫形式，不僅在繪畫領域被廣泛應用，同時在平面設計中也有著重要作用。表2中序號1～2展示了本研究算法生成的水彩作品，以其柔和流暢的特點適合描繪人物，增加作品的個性和情感共鳴。而表2中序號3～4的厚涂油畫則顯示出豐富的質感和強烈的立體感，適合表現強烈、厚重的視覺效果。在平面設計中，經本研究算法生成的厚涂油畫的質感可以帶來更強的視覺沖擊力，同時也更易于傳達作品所希望表達的情感和主題。

表1 黑白版畫效果

Tab.1 Effects of black and white prints

表1（續）

表2 水彩和厚涂油畫效果

Tab.2 Effects of watercolor and impasto oil painting

如表3所示，經本研究算法生成的數字插畫在插圖和漫畫方面具有獨特的表現手法和視覺效果，其可以創造出各種不同的視覺效果，例如水彩畫效果、手繪風格等。這種多樣性使得經本研究算法生成的數字插畫在創造獨特的設計風格和形式上非常實用。

在當代平面設計中，3D渲染類圖片的應用越來越廣泛。如表4所示，經本研究算法生成的3D渲染圖能夠以高保真度、高逼真度的方式呈現設計師所設計的模型和場景，幫助設計師更加直觀、全面地了解和展示設計方案。通過自然語言理解與穩定擾動（Stable Diffusion）生成3D渲染技術，設計師能夠從各個角度觀察和調整設計方案，包括構件、材質、光照、布局等。此外，3D渲染技術還可以讓設計方案以具有立體感的效果圖、動畫、視頻等形式呈現，為設計師的展示和交流提供了更多的選擇。

表3 數字插畫圖片效果

Tab.3 Effects of digital illustration pictures

表4 3D渲染效果

Tab.4 3D rendering effect

基于自然語言描述生成視覺藝術表現圖片可以給平面設計帶來許多幫助。首先，這些類型的圖像具有非常強的審美感受，可以增加作品的視覺沖擊力，吸引觀眾的注意力。例如，使用自然語言描述與穩定擾動（Stable Diffuison）生成的黑白版畫可以增強圖像的紋理和線條感，使得圖像更具有立體感和質感，從而提高設計作品的藝術價值。而其生成的水彩和厚涂油畫則可以營造出柔和的氛圍，使得設計作品更加具有溫暖和感性的感覺。其次，生成這些類型的圖像可以幫助設計師更好地表達設計概念和想法。例如，3D渲染圖以高保真度、高逼真度的方式呈現設計師所設計的模型和場景，幫助設計師更加直觀、全面地了解和展示設計方案。

3 設計實例

人工智能在平面設計領域的應用已經展現出巨大的潛力和廣闊的發展前景。其中，包裝設計、書籍封面設計和廣告設計作為平面設計領域中的重要實踐領域，具有代表性和普遍性。以這些實例為案例，可以較為充分地展示人工智能在平面設計中的應用和價值，并深入探討其對創造力和設計效率的影響。

包裝設計是人工智能在平面設計領域中的一個重要應用方向。包裝設計的目標是通過獨特的視覺元素和信息傳達方式來吸引消費者、塑造品牌形象，并促進產品銷售。采用人工智能模型GPT-3，可以將自然語言描述轉化為低維向量表示，以茶葉包裝為例（如圖4所示），通過GPT生成的描述語言為“清晨的霧氣，茶香四溢。享受自然的美好，品味茶葉的獨特滋味”。進一步地，結合穩定擾動（Stable Diffusion）算法生成與描述相匹配的圖像。

圖4 包裝設計效果圖

以茶葉所處的環境為主題，描繪了茶葉生長在山水之間的情景，用自然的色彩和光影表現出茶葉的清新和優雅。通過算法生成的元素與人工設計的元素相融合，形成了獨具特色的設計風格，使得設計不僅符合茶葉自然主題的特點，還突出了包裝設計的美感和實用性，為茶葉行業注入了新的活力和創意。

書籍封面設計是另一個具有重要影響力的實踐領域，也是人工智能在平面設計中的應用之一。書籍封面的設計需要吸引讀者，引起他們的興趣并傳遞內容的核心概念。以奇幻冒險小說為題，GPT生成的描述語言為“在中世紀城市中展開一場哥特式奇幻冒險！在傍晚余暉的照耀下，踏入中世紀城市的奇幻冒險之旅，古老的城墻高聳入云，哥特式尖塔屹立其中，散發著神秘的魔力。城市的街道彌漫著神秘的氛圍，燈火閃爍，散發著暖意。整個封面展現了中世紀城市的壯麗景象，結合哥特風格的神秘氣息和奇幻元素，引領讀者踏入冒險的世界，探索其中的秘密與寶藏。”如圖5所示，設計師可以通過自然語言描述生成與書籍主題相符合的圖像。

這種方法不僅提供了快速的設計解決方案，而且在設計過程中注入了新穎的創意和個性化元素。通過以書籍封面設計為案例，可研究人工智能對設計創造力和讀者吸引力的提升。

廣告設計是平面設計領域中另一個重要的應用領域，也是人工智能的理想實踐場景。廣告設計需要通過視覺元素和文字信息吸引目標受眾，傳達產品或服務的核心價值和品牌形象。以地鐵環保主題廣告為例，GPT生成的描述語言為“一棵枯萎的樹木矗立在畫面中央，它的枝干干燥脆弱，葉片凋零殘缺。然而，當我們的目光穿過枯木，我們被帶入一個完全不同的場景。在背景中，一片絢麗的風景展現出來。廣闊的天空中，夕陽的余暉灑在了美麗的山丘之上。”

圖5 書籍封面設計效果圖

在這個環保廣告中，可以看到一棵枯萎的樹木，枝干干癟，葉片凋零，象征著破壞和環境惡化。然而，當視線穿過這棵枯木，一個令人驚嘆的景象呈現在眼前。蔥郁的綠色草地延伸到遠方。這美麗的風景提醒著人們，盡管現實中存在破壞和枯萎，但只要人們努力保護環境，恢復生態平衡，就能夠創造出美麗、和諧的自然景觀。具體細節如圖6所示。

以包裝設計、書籍封面設計和廣告設計為案例來分析人工智能在平面設計領域中的應用，能夠多方面展示其在不同設計領域中的作用和效果。這些實例代表了平面設計的重要實踐領域，同時也涉及商業推廣與創造力等關鍵因素。通過研究這些案例，可以深入理解人工智能對平面設計的影響，并為設計師和相關從業者提供有價值的參考和啟示。

圖6 廣告設計效果圖

4 結論

人工智能在平面設計領域的應用正日益成為一種新趨勢，特別是GPT-3和穩定擾動（Stable Diffusion）算法的應用，為設計師帶來了全新的視角和工具。在這項研究中，自然語言理解算法可以將設計師的構思迅速轉化為清晰準確的文本描述，有助于平面設計師迅速理解客戶或團隊的需求。此外，穩定擾動（Stable Diffusion）算法的應用進一步拓展了自然語言理解算法的潛力，穩定擾動（Stable Diffusion）算法將文本描述轉化為逼真的圖像。這一方法的優勢在于生成高質量的、逼真的圖像，并避免了不真實感。因此，平面設計師可以更方便地利用這種方法創建與設計思路相匹配的圖像。新一代人工智能技術的應用將極大地改變平面設計的方式，簡化流程，提高效率，創造引人注目的視覺作品，同時更好地理解客戶或團隊的需求，以提高設計質量和效率。

[1] BESTLEY R, MCNEIL P. Visual Research: An Introduction to Research Methods in Graphic Design[M]. London: Bloomsbury Publishing, 2022.

[2] 韋慧. 平面設計中視覺設計技術在印染中的應用[J]. 棉紡織技術, 2021, 49(2): 89. WEI H. Application of Visual Design Technology in Printing and Dyeing in Graphic Design[J]. Cotton Textile Technology, 2021, 49(2): 89.

[3] 林曉龍, 王亞蘭. 平面設計在食品包裝中的運用[J]. 中國造紙, 2022, 41(2): 6. LIN X L, WANG Y L. The Application of Graphic Design in Food Packaging[J]. China Paper, 2022, 41(2): 6.

[4] 呂金鴻. 探索字體設計的視覺形象[J]. 美術觀察, 2022, 318(2): 156-157. LYU J H. Exploring the Visual Image of Font Design[J]. Art Observation, 2022, 318(2): 156-157.

[5] 李洪瑋, 翟冬. 平面設計在工業產品設計中的應用[J]. 內燃機工程, 2022, 43(5): 110-111. LI H W, ZHAI D. Application of Graphic Design in Industrial Product Design[J]. Internal Combustion Engine Engineering, 2022, 43(5): 110-111.

[6] 張洪亮. 當代平面設計中色彩表現的發展趨勢探究[J]. 包裝工程, 2022, 43(18): 397-401. ZHANG H L. Research on the Development Trend of Color Expression in Contemporary Graphic Design[J]. Packaging Engineering, 2022, 43(18): 397-401.

[7] 李肖雄. 觸覺在平面設計中的影響及應用探析[J]. 包裝工程, 2022, 43(4): 419-422. LI X X. Analysis of the Influence and Application of Haptic Sense in Graphic Design[J]. Packaging Engineering, 2022, 43(4): 419-422.

[8] 王一帆. 建筑平面設計中的視覺審美[J]. 建筑結構, 2022, 52(20): 154. WANG Y F. Visual Aesthetics in Architectural Graphic Design[J]. Building Structure, 2022, 52(20): 154.

[9] 郝志剛. 平面設計中的情感化表現[J]. 包裝工程, 2021, 42(12): 344-346. HAO Z G. Emotional Expression in Graphic Design[J]. Packaging Engineering, 2021, 42(12): 344-346.

[10] HOLLIS R. About Graphic Design[M]. Minneapolis: Occasional Papers, 2012.

[11] JOBLING P, JOBLING P, CROWLEY D. Graphic Design: Reproduction and Representation Since 1800[J]. Design Issues, 1996, 12(2): 291-296.

[12] 殷明. 計算機美術設計在數字媒體平面設計中的應用[J]. 機械設計, 2021, 38(4): 154-155. YIN M. Application of Computer Art Design in Digital Media Graphic Design[J]. Mechanical Design, 2021, 38(4): 154-155.

[13] 銀宇堃, 陳洪, 趙海英. 人工智能在藝術設計中的應用[J]. 包裝工程, 2020, 41(6): 252-261. YIN Y K, CHEN H, ZHAO H Y. The Application of Artificial Intelligence in Art Design[J]. Packaging Engineering, 2020, 41(6): 252-261.

[14] 胡潔. 人工智能驅動的藝術創新[J]. 裝飾, 2019, 319(11): 12-17. HU J. Art Innovation Driven by Artificial Intelligence[J]. Decoration, 2019, 319(11): 12-17.

[15] KARAATA E. Usage of Artificial Intelligence in Today's Graphic Design[J]. Online Journal of Art and Design, 2018, 6(4): 183-198.

[16] 徐國彬, 于藝銘, 李潔, 等. 基于改進BSCB算法的缺陷國畫類數字圖像修復研究[J]. 激光與光電子學進展, 2022, 59(10): 81-89. XU G B, YU Y M, LI J, et al. Research on Defective Chinese Painting Digital Image Restoration Based on Improved BSCB Algorithm[J]. Laser and Optoelectronics Progress, 2022, 59(10): 81-89.

[17] 董霙達, 張成濤, 多化瓊, 等. 基于加權變換的蒙古族家具紋樣增強研究[J]. 計算機工程與科學, 2021, 43(6): 1047-1051. DONG K D, ZHANG C T, DUO H Q, et al. Research on Mongolian Furniture Pattern Enhancement Based on Weighted Transformation[J]. Computer Engineering and Science, 2021, 43(6): 1047-1051.

[18] 許鑫, 鮑小春. 基于機器學習的剪紙圖像自動分類研究[J]. 圖書館雜志, 2018, 37(7): 88-96. XU X, BAO X C. Research on Automatic Classification of Paper-cut Images Based on Machine Learning[J]. Library Journal, 2018, 37(7): 88-96.

[19] 邱雪琳, 孫迎, 劉正, 等. 基于色彩優化的云錦局部風格遷移[J]. 絲綢, 2022, 59(12): 64-70. QIU X L, SUN Y, LIU Z, et al. Local Style Transfer of Brocade Based on Color Optimization[J]. Silk, 2022, 59(12): 64-70.

[20] 陳可佳, 費子陽, 陳景強, 等. 文本風格遷移研究綜述[J]. 軟件學報, 2022, 33(12): 4668-4687. CHEN K J, FEI Z Y, CHEN J Q, et al. A Review of Text Style Transfer Research[J]. Journal of Software, 2022, 33(12): 4668-4687.

[21] 高峰, 焦陽. 基于人工智能的輔助創意設計[J]. 裝飾, 2019, 319(11): 34-37.GAO F, JIAO Y. Assisted Creative Design Based on Arti-ficial Intelligence[J]. Decoration, 2019, 319(11): 34-37.

[22] 李雄, 蘇建寧, 張志鵬. 基于深度學習的產品概念草圖生成設計研究[J]. 機械工程學報, 2023, 59(11): 16-30.LI X, SU J N, ZHANG Z P. Research on Product Concept Sketch Generation Design Based on Deep Learning[J]. Chinese Journal of Mechanical Engineering, 2023, 59(11): 16-30.

[23] OUYANG L, WU J, JIANG X, et al. Training Language Models to Follow Instructions with Human Feedback[J]. Advances in Neural Information Processing Systems, 2022, 35: 27730-27744.

[24] ROMBACH R, BLATTMANN A, LORENZ D, et al. High-resolution Image Synthesis with Latent Diffusion Models[C]// Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition, New Orleans: IEEE Computer Society, 2022: 10684-10695.

Application of New Generation Artificial Intelligence Technology in Graphic Design

ZHAO Yongtao1*, GAO Jingwei2

(1.School of Art and Design, Luoyang Institute of Science and Technology, Henan Luoyang 471003, China; 2.Tianjin University, Tianjin 300354, China)

The work aims to explore the current status and limitations of artificial intelligence (AI) technology in the field of graphic design and propose a natural language-based image generation method to meet the needs of designers. The GPT-3 model was used to generate textual descriptions of creative ideas and the stable diffusion algorithm was adopted to generate images matching the descriptions. Through practical applications and testing, the effectiveness of the method in graphic design was examined, aiming to discover new perspectives and tools that simplified the design process and enhanced its quality and efficiency. The study adopts an empirical analysis approach, combining experimental results and qualitative analysis to evaluate the level of alignment between generated images and natural language descriptions, image quality, flexibility, and controllability of the method. By utilizing these evaluation criteria, the researchers can determine the method's effectiveness and better fulfill the requirements of designers. Future research directions include enhancing algorithm diversity and creativity, as well as exploring more intelligent graphic design tools to improve the efficiency and quality of designers' work.

artificial intelligence technology; graphic design; natural language description; image generation

TB482；J511

A

1001-3563(2024)04-0226-09

10.19554/j.cnki.1001-3563.2024.04.024

2023-09-25

河南興文化工程文化研究專項項目（2023XWH250）