基于圖像生成技術的產品設計

摘 要：圖像生成是一個融合計算機視覺和自然語言處理的綜合問題，在設計領域得到廣泛應用。深度學習技術的圖像生成模型不斷發展，為產品設計的創作實踐帶來更多技術方面的可能性。采用圖像描述技術輔助機器學習“看圖說話”，不僅可以提取圖像內容，而且可以高效地表示圖像中的目標及其關聯。本文結合深度學習技術，采用神經網絡和圖像邊緣提取技術相結合的方法進行圖像描述。使用圖像生成技術進行產品設計，搭建深度學習模型，在圖像數據集中進行訓練，使其能生成給定目標描述的圖像，探討圖像生成技術對產品設計產生的影響，為產品設計提供應用圖像生成技術的創新思路。

關鍵詞：圖像生成技術；深度學習技術；神經網絡；產品設計；創新

中圖分類號：TP 319" " " " " 文獻標志碼：A

圖像生成技術的發展對設計領域產生了顯著影響。其提高了設計效率，使設計師能夠更快地完成設計方案和效果圖制作，還降低了設計成本，減少了對實體材料和人工制作的需求。圖像生成技術還拓展了創意可能性，使設計師能夠嘗試更多元化的設計風格和表現手法，這些變革為設計領域帶來了創新和更多的發展機會。未來，隨著圖像生成技術的不斷進步和應用場景的不斷拓展，圖像生成技術將在設計領域發揮更加重要的作用。因此，應該積極關注圖像生成技術的發展動態，不斷探索其在設計領域的新應用和新可能性。

1 利用圖像生成技術的產品設計思路分析

本文列舉具體案例來論證圖像生成技術在設計領域的應用和變革。例如，在工業產品設計領域，設計師可以利用圖像生成技術快速構建逼真的三維模型和虛擬場景，進行前期設計和評估。在建筑設計領域，圖像生成技術可以模擬建筑在不同光線和環境中的效果，幫助設計師更好地把握設計效果。這些案例說明圖像生成技術推動了設計領域的創新和發展，并證明了其在設計領域的實用價值和潛力。

圖像描述自動生成系統的基本原理是使用神經網絡構建模型擬合數據[1]。系統基于編碼解碼器（Decoder）結構，設計原理如圖1所示。系統包括訓練模型和使用模型2個部分。訓練模型部分包括圖像數據預處理、描述信息預處理、模型搭建以及訓練幾個模塊，使用模型部分包括模型評估、生成描述2個模塊。在產品設計中，圖像自動生成系統能夠滿足用戶需求，并對相關產品進行描述，設計結果能夠以模型圖片的形式立體地呈現給用戶。

2 深度學習模型搭建及訓練

圖像描述的主流設計采用Encoder-Decoder結構，Encoder的作用是將輸入圖像編碼為特征張量，Encoder 在圖像預處理階段將圖像轉化為特征張量，Decoder將特征張量解碼為生成詞的概率。本模型引入Attention機制，即每個時間步模型都會將注意力放在特征的某一部分。Attention為一個表示概率的權重向量，與特征張量相乘后作為LSTM的輸入。Decoder是LSTM建模的一種方法，其優點是對長序列輸入適應性較好。將經過Attention的特征張量與LSTM網絡上一個時間步的輸出融合，作為LSTM下一步的輸入。LSTM的輸出經過全連接層變換可以生成代表原始語料庫的新序列。

設輸入的圖像特征為x，輸出為y，經過Attention變換的上下文特征為z。當圖像輸入時歸一化為299×299，經過InceptionV3至mixed7層，再加一層最大池化（Max Pooling）輸出為8×8×768維特征，再經過一層全連接層降為8×8×512維特征，reshape為64×512維特征。X為{x1，…，xi，…，xL}，L大小為8×8=64，xi維度為512，即64×512。Z為{z1，…，zt，…，zc}。zt也為512維特征，共有C個，C為句子的最大單詞數。t為某一個時間步，Y為{y1，…，yt，…，yc}，yt為每個時刻的模型輸出，yt為K維概率，K為詞典的大小。zt為特征x的加權和，αt為權重。zt的計算過程如公式（1）所示。

zt=αtT×α " " " " " （1）

式中：α為輸出。

αt的維度為64，記錄α每個位置獲得的關注度。由前一個時間步的LSTM輸出與圖像特征變換得到αt，如公式（2）、公式（3）所示。

et=relu（fe1×set） " " " （2）

αt=Softmax（fc（et）） " " "（3）

式中：et為序列使用Decoder輸出的特征 ；relu為輸出結果；fe1為由圖像特征x經過包括全連接等多次變換由64×512轉變為34×512維的特征，句子最大單詞數為34，即最大時間步長；set為當前時間步已有詞經過embedding嵌入后得到的序列；fc（）為全連接層。

經過加權的zt和該時刻的文本序列融合后輸入LSTM，得到的輸出經過激活函數為Softmax的全連接層轉化為維度為詞典大小的詞概率向量yt。

模型搭建和訓練模塊能夠正確輸入訓練集與驗證集數據，可以正常進行模型訓練，還可以采用TensorBoard的方式回顧訓練過程的損失變化，可以保存訓練過程中表現較好的模型。

在訓練過程中的損失變化曲線如圖2所示。訓練初期損失值下降比較快，訓練中期下降速度明顯減緩，訓練后期下降緩慢。

模型評估模塊能夠正確讀取測試集的數據，并正常完成評估計算，輸出評估得分。模型的BLEU分數見表1。

BLEU-n計算待評價文本與參考文本的“n單位片段”的匹配度，n-單位片段即連續的n個單詞，匹配度越高，兩者質量越接近，待評價文本得分越高。

生成描述模塊能夠正確接受輸入圖像并進行預處理，可以獲取預測結果并生成描述，返回給用戶。測試實例如圖3、圖4所示。

由圖3、圖4可知，有些描述可以比較準確地表達圖像的內容，最終訓練完的模型在訓練集上的損失值為2.880，在驗證集上的損失值為3.368。訓練后期驗證集中的損失值比訓練集上的損失值平均提高約0.5，存在一定的過擬合。

3 相關算法和技術

3.1 神經網絡基本原理

20世紀80年代以來，在人工智能領域神經網絡（Neural Network，NN）成為研究熱點[2]。其模擬大腦中神經元的活動特性，對不同類型的數據進行平行處理。神經網絡是由多個神經元互聯而成的，每個神經元表示一個特殊的輸出功能，稱為激活函數，常見的激活函數有Sigmoid、tanh、ReLU和Softmax。1個簡單的神經網絡是由輸入層、隱藏層和輸出成組成的，每層都有若干神經元，輸入層接受線性組合的輸入，經過隱藏層的非線性的激活函數，得到非線性的輸出，這個過程如公式（4）所示。

a=f（w?x+b） " " " " " "（4）

式中：a為輸出；f（）為激活函數；w為權重 ；x 為輸入 ； b 為偏移 。

引入激活函數可以為神經元引入非線性因素，使神經網絡能夠逼近任何非線性函數，應用于各種非線性模型中。

采用反向傳播（back propagation）算法[3]對神經網絡進行訓練。每次運算從輸入層輸入向量，經過層層網絡計算得到輸出，根據損失函數（loss function）將輸出與正確結果的差值進行計算，從最后一層開始層層后退，依次調整神經元的參數。采用這種方法不斷調整參數，直至輸出結果滿意為止。

3.2 圖像邊緣提取技術

3.2.1 雙向跟蹤

圖像生成需要建立影像邊界，與傳統的彩色圖像邊緣提取策略不同，本文提出了一種基于雙向跟蹤的多通道彩色圖像邊緣提取技術，融合正向跟蹤即下跟蹤（Forward Tracking，FT）和逆向跟蹤即上確認（Backward Confirm，BC）的雙向跟蹤。前向追蹤即向下追蹤，其作用是建立影像的初始邊界輪廓。該算法充分利用了彩色影像的光、色等特征，為進一步細化邊界檢測奠定了基礎。反向追蹤是一種向上證實的方法，其利用前向追蹤來提高邊界的辨識性能，保證所抽取邊界的準確性和清晰度。基于此，本文提出一種將前向追蹤與后向追蹤相結合的多路融合算法，對彩色影像進行準確、完整和自然的邊緣檢測。本文研究將進一步完善現有的基于顏色特征的彩色圖像邊界檢測方法，并為其他研究提供新思路。

雙相跟蹤步驟如圖5所示，令E（k）（k=1，2，3）為第k個通道生成的邊緣，FT定義為Ef（k）=F（E（k），E（k+1）），BC定義為Eb（k）=B（E（k），E（k+1）），其中Ef（k）為在FT操作后產生的邊緣圖，Eb（k）為在BC操作后產生的邊緣圖，該圖根據多通道彩色圖像邊緣提取技術原理，利用雙向跟蹤進行邊緣提取和圖像檢測。

3.2.2 邊緣提取

基于雙向跟蹤的多通道彩色圖像邊緣提取技術算法分步效果展示如圖6所示。第一行是原圖，第二行是經過R、G和B 3個通道中的灰度圖，第三行是在灰度圖的基礎上使用邊緣提取算子得到的二值圖。

二值化排序如圖7所示，采用排序算法將第一行的3幅二值圖中的邊緣數目進行降序排序，得到第二行的3幅排好序的邊緣二值圖。雙向跟蹤后的結果與原圖的效果展示如圖8所示。

BSDS500數據集中的1幅原圖如圖8（a）所示，采用本文算法進行邊緣提取后的最終效果如圖8（b）所示。

邊緣數目對比見表2。表2為經過R、G和B 3個通道的邊緣提取后的邊緣數目與本文算法最終邊緣圖的邊緣數目。邊緣數目為1 603、1 624和1604，在使用算法進行提取后，最終邊緣數目為1 228，結果更為精準。

4 圖像生成技術在產品設計中的應用以及影響

4.1 縮短產品設計創作時間，提升產品設計創作質量和效率

產品設計者利用圖像生成技術輔助完成產品設計創作，將極大程度地縮短產品設計創作的時間，提升產品設計創作質量和效率。隨著圖像生成技術的普及和應用，專業設計軟件增加了許多智能生成功能和工具，工具內置專家系統和專業圖像生成資源庫，用戶只需明確設計需求和創意，就可以利用機器生成設計[4]。同時，利用圖像生成技術智能生成的具有藝術和創造性的可編輯應用圖像給產品設計者在創作素材、設計構思、結構、材質、色彩、裝飾以及工藝形式等方面提供靈感，可以更好地激發設計者的創造性，創作出質量更高的設計。

4.2 使產品設計者的設計思維和邏輯發生轉變

隨著圖像生成技術在產品設計中的廣泛運用，作為產品設計核心價值中的創意部分需要設計者來進行構建，其可以利用圖像生成技術輔助完成產品設計其他各環節中的實操部分。圖像生成技術在產品設計中的應用使產品設計從注重表現產品的功能、造型、材質和色彩為主，轉向產品整體設計方案、智能技術在產品設計中的運用為主，并重視用戶體驗，使產品設計者的設計思維和邏輯發生轉變。產品設計者需要更聚焦于管理、創造和溝通工作，參與模型和算法的設計，建立機器學習數據庫和設計算法，驅動人工智能生成和篩選設計作品[5]。設計者需要具備跨專業領域的視野和快速學習的能力，才能保持自己在行業中的從業優勢和競爭力[6]。

4.3 提升產品設計的可視化體驗，創新產品設計的表現形式

在傳統的產品設計過程中，有設計構思、素材收集、繪制創意草圖和方案圖、三維建模、效果圖渲染和圖片后期處理等實操環節，現在可以利用圖像生成技術生成具有藝術和創造性的可編輯應用圖像，為產品提供了新的設計思路和方法。圖像生成技術可以幫助設計師快速建立三維模型，使設計師能夠更好地了解產品的外觀造型和內部結構，同時可以利用虛擬技術進行產品設計的可視化展示。設計師能夠在虛擬的環境中對作品進行設計和改進，能夠嘗試更多元化的設計風格和表現手法，使產品設計越來越有創意，創新了產品設計的表現形式。

5 結語

本文對基于圖像生成技術的產品設計進行研究，對系統進行了可行性分析和需求分析，確定了基于圖像生成技術的產品設計的設計思路。本文由圖像生成入手，結合深度學習、神經網絡和圖像邊緣提取技術對圖像進行描述，利用信息采集對圖像特征進行提取，在圖像數據集中搭建深度學習模型進行訓練，生成給定圖像的目標描述，探討圖像生成技術對產品設計產生的影響，為產品設計提供應用圖像生成技術的創新思路。

參考文獻

[1]曾俊. 圖像邊緣檢測技術及其應用研究[D]. 武漢：華中科技大學，2011.

[2]李津.圖像生成技術在美術課程教育中的應用[J].美術教育研究，2024（8）：154-156，175.

[3]劉云，夏貴羽，孫玉寶，等.基于人體圖像生成的姿態無關人物識別[J].測控技術，2024，43（4）：61-67.

[4]汪睿.圖像生成技術對視覺傳達設計的影響[J].科技視界，2024，14（3）：46-48.

[5]王洪亮，徐嫜娣.人工智能藝術與設計[M].北京：中國傳媒大學出版社，2022.

[6]鄭昕怡.智能技術變革與未來設計師身份的重構[J].美術大觀，2020（12）：138-141.