生成對抗網絡驅動下的北京蒙鑲非遺圖案智能生成研究

關鍵詞：生成對抗網絡（GAN）；北京蒙鑲技藝；非遺保護；智能生成；SR圖像重建

引言

自2004 年加入聯合國教科文組織《保護非物質文化遺產公約》開始，我國逐步建設中國非物質文化遺產保護名錄，越來越多的傳統技藝得以被看見，被傳承，被保護。其中北京蒙鑲技藝于2007 年入選北京市級非物質文化遺產名錄，歷經14 年的系統性保護與活態傳承，于2021 年5 月24 日列入第五批國家級非物質文化遺產名錄。北京蒙鑲技藝源流可追溯至唐代北方游牧民族的金屬鍛造傳統，最初盛行于蒙古族、藏族等少數民族地區，以銀器鑲嵌、錯金銀等技藝著稱。隨著元、明、清三朝的民族交融與都城文化的演進，蒙鑲技藝逐漸吸納漢族鏨刻、鏤雕等技法，并與京城宮廷美學深度融合，最終形成了獨具特色的京派工藝風格。

盡管北京蒙鑲技藝已入選國家級非遺名錄，但其傳承仍面臨嚴峻挑戰。據調查，目前北京地區專業蒙鑲工匠不足30 人，且平均年齡超過55 歲，傳統師徒制模式難以滿足規?；瘋鞒行枨?。此外，現存文物因年代久遠，部分北京蒙鑲制品出現氧化模糊、細節缺失問題，亟需數字化手段輔助修復與創新。

一、GAN技術在非遺保護中的現狀

（一）北京蒙鑲技藝的數字化保護

北京蒙鑲技藝的代表作品是現存故宮博物院的金甌永固杯、銀鎏金佛塔等文物，其表面浮雕的纏枝蓮紋、八寶紋及云龍紋樣，生動展現了蒙鑲技藝的精湛與復雜，但也突顯出這項技藝在傳承和傳播上的高要求與諸多限制。隨著政治社會結構的演變，民眾生活方式的變遷，北京蒙鑲技藝的發展面臨著困境。專門從業者日漸減少，大量藏品也逐漸受損、遺失，這些變化使得該技藝的保護迫在眉睫。然而，北京蒙鑲制品多是通過鏨刻、錘揲等耗時久、要求高的技藝制作出來的，這使其無法通過傳統的保護方法實現大規模的推廣與活化。

數字化保護因其高效性、多樣性以及創新能力，成為保護北京蒙鑲技藝的重要路徑之一。通過數字化技術，可以記錄、清洗、存留大量素材，減少傳統師徒制在內容傳授方面過于主觀的限制，拓寬了創作范圍。同時，數字化后的圖案紋樣能夠應用在文創產品中實現非遺的活化傳承。本文主要討論使用生成式對抗網絡（GAN）來進行數字化開發。GAN 是一種基于零和博弈的方法。該系統由生成器（G）和判別器（D）組成。生成器致力于偽造真實數據欺騙判別器，判別器致力于盡可能準確地區分真實數據和生成數據，并輸出數據為真實數據的可能性概率。[1]

（二）GAN 在非遺保護及設計中的應用

GAN 是一種人工智能技術，通過模擬創造和評估過程來生成新的圖像或設計[2]，近年來，由于深度學習技術的發展與應用領域的拓展，GAN 在許多領域尤其是在圖像生成方面取得了良好的效果。在非遺元素的數字化保護方面，GAN 的應用正變得越來越廣泛。劉淼、王晨月（2020）發現GAN 能夠學習特定風格的藝術特征，生成新的藝術作品，有助于非遺藝術的傳承和發展。[3] 喬錦浩等人（2021）研究了GAN 在特定風格剪紙藝術智能生成中的應用，通過使用GAN來擬合花草紋數據集的數據分布，生成侗族剪紙風格的紋樣，取得了較好效果。[4]

GAN 技術在藝術設計領域也顯示出了巨大潛力。姚大斌（2023）討論了GANs 在包裝設計中的應用，強調了其在提高設計多樣性、創意性以及用戶體驗方面的優勢。[5] 在平面設計領域，邢磊等人（2024）研究發現 LayoutGAN 模型通過生成器和判別器的對抗訓練能夠生成具有藝術性和創造性的圖像，為計算機平面設計提供新的可能性。[6] 傳統紋樣設計方面，李莉、毛子晗等人（2024）通過實驗研究，比較了StyleGAN 和Stable Diffusion 兩種模型在傳統紋樣設計中的應用，發現兩者均能滿足基本的藝術設計需求。[7]

由于傳統紋樣在長期歲月變遷和環境變化中，圖像特征以及清晰度都受到了極大影響，智能提取技術的發展使得紋樣有效特征的提取率與匹配率大大提高，進而加強了后期設計過程中的影響以及識別效果。[8]GAN 技術在非遺保護和設計領域的應用，展示了其在創新設計和文化遺產保護方面的巨大潛力。其不僅能夠在保持藝術作品原有風格的同時，為設計師提供豐富的創意資源，還能夠生成具有特定風格的藝術作品，促進傳統文化的傳承與推廣。

二、北京蒙鑲非遺圖案的智能生成方法

（一）數據采集與范圍界定

本研究的數據采集工作旨在為北京蒙鑲非遺圖案的智能生成提供豐富且精準的素材，數據來源的多樣性和可靠性是確保后續生成效果的關鍵。本研究通過專家訪談確定抓取范圍，具體包括器具類、文獻類和現代類3 個主要方面，形成覆蓋傳統與當代的文化資源庫。在器具類數據收集中，故宮博物院館藏的銀器、銅器以及墓室壁畫含有蒙鑲紋樣器具的墓室壁畫等文物是北京蒙鑲技藝的杰出代表。文獻類數據則聚焦蒙鑲工藝歷史發展文獻，從文字角度深入挖掘了蒙鑲技藝的發展脈絡、文化內涵以及在不同歷史時期的風格特征，為理解圖案背后的文化語境提供了重要依據?，F代類數據則來源于非遺傳承人的實物作品，現代實物作品是傳承人在長期實踐中積累的寶貴財富，既包含對傳統紋樣的忠實復刻，也融入創新設計的實驗性探索，如結合現代幾何元素的蒙鑲紋樣變體，為數據集注入了非遺傳承的當代性。

在數據采集完成后，嚴格按照標準化流程進行處理，以確保數據的一致性和高質量。圖像清洗步驟中，通過圖像清洗技術剝離背景噪點來保留圖案的核心特征。分辨率統一環節，將所有圖像調整為256×256 像素，既滿足了模型訓練的需求，又避免了因分辨率差異導致的生成偏差。數據增強方面，采用隨機旋轉（±30°）、水平鏡像及色彩平衡（調整亮度±10%、對比度±15%）策略，以豐富數據集的多樣性，提升模型的泛化能力，為后續的智能生成奠定了堅實基礎。

（二）基于 GAN 的蒙鑲圖案的生成和 SR 重構

由于 GAN 可以生成各種“真實”圖像，因此一直難以被其他模型超越。整體原理圖如圖1 所示。

GAN 的具體工作過程如下：（1）真實樣本判別階段：對于從訓練數據集中采樣的真實圖像 x，判別器 D 的目標是通過參數優化，使其輸出值 D（x）盡可能接近 1，即正確識別真實數據；同時，判別器 D 還需要最小化生成樣本的輸出值 D（G（z）），使其盡可能接近 0。（2）生成對抗階段：給定潛在空間中的隨機噪聲向量 z，生成器 G 將其映射為生成圖像 G（z）。此時，判別器 D 的目標是最大化真實樣本的輸出 D（x）并最小化生成樣本的輸出 D（G（z）），使其盡可能接近 0（判定生成圖像為假）。而生成器 G 的目標是最大化D（G（z）），即通過參數更新迫使 D（G（z））趨近于 1（誤導判別器接受生成圖像為真）。這種目標沖突形成了動態博弈過程。（3）在博弈過程中，通過交替優化 D 和 G 的損失函數（通常采用交叉熵形式），兩者性能在對抗中持續提升。理論上，當生成數據分布 pg（x）與真實數據分布 pdata（x）一致時，達到平衡狀態。此時，判別器對所有輸入的判斷概率均為 0.5，生成器能夠輸出與訓練數據同分布的逼真樣本。需要注意的是，在實際訓練中，GAN 在訓練過程中容易受到模式崩潰、訓練不穩定等問題的影響。

訓練生成器網絡的目的是讓其能夠欺騙鑒別器網絡，隨著訓練的進行能夠逐漸生成越來越逼真的圖像。[9] 也就是說，人工圖像看起來與真實圖像沒有區別，從而使鑒別器網絡無法區分兩者。與此同時，鑒別器會不斷適應生成器不斷增強的能力，為生成圖像的真實性設定高標準。一旦訓練完成，生成器就能將其輸入空間中的任意點轉換成可信的圖像。[10] 卷積神經網絡是深度學習的代表算法之一，以圖像識別為中心，能較好地獲取目標圖像特征。[11] 深度卷積生成對抗網絡（DCGAN）是 GAN 的一種變體，DCGAN 將深度卷積神經網絡（CNN）與原始 GAN 結合在一起，生成網絡和識別網絡都使用深度卷積神經網絡，DCGAN 在基礎 GAN 的基礎上提高了生成結果的穩定性和質量。然而，當 DCGAN 生成更高分辨率的圖像時將難以收斂，而且隨著圖像分辨率的提高，模型的收斂難度也會增加。[12] 針對這一問題，本研究引入了另一種圖像 GAN--StyleGAN2。StyleGAN2 在StyleGAN 的基礎上增加了權重解調，用解調操作代替了歸一化操作，從而避免了放大某個特征。

（三）實驗研究

本實驗使用北京蒙鑲紋樣數據庫。為了確保圖像的統一性和兼容性，首先通過裁剪（去除圖像的無效邊緣部分）、篩選（去除低質量或不符合要求的圖像）和重采樣（調整圖像的像素大小至統一尺寸）等預處理方法對源數據庫中的圖像進行處理。然后進行后續的圖像生成實驗。該實驗環境的硬件參數為32G CPU Intel（R）Xeon（R）CPU @2.30GHz；軟件環境為Ubuntu 18.04 操作系統、Tensorflow1.14 DL 框架、Python 3.7。

DCGAN 訓練了 5000 個歷元，批量大小為 32。選擇 5000 個歷元是為了確保模型有足夠的時間收斂，而批量大小為 32 是在計算資源和訓練效率之間的一個折中選擇。StyleGAN2 使用鏡像增強（通過水平翻轉和垂直翻轉擴充訓練數據，增加數據多樣性，提高模型的泛化能力），批量大小同樣為 32。兩個模型的生成器和判別器學習率均為 0.001，在訓練過程中未進行學習率的調整。

本研究利用增強超分辨率生成對抗網絡（ESRGAN）和超分辨率生成對抗網絡（SRGAN）對生成的圖像進行 SR 重構，以生成人眼無法分辨的高分辨率圖案，主要應用于需要高分辨率圖像的場景，如圖像打印、藝術設計等。從量化結果可以發現（如圖 2 所示），深度學習方法生成的圖像在各項指標上都優于傳統方法，尤其是 ESRGAN方法生成的圖像的 PSNR 值和 SSIM 值分別為 16.995 和 0.845，在3種方法中表現最好。PSNR（峰值信噪比）和 SSIM（結構相似性指數）是常用的圖像質量評估指標，PSNR 值越高表示圖像的峰值信噪比越高，圖像質量越好；SSIM 值越接近 1 表示圖像的結構相似性越高，與真實高分辨率圖像越接近。

在對SR 圖像重建結果進行深入分析后，可以發現DL 方法在提升圖像分辨率和細節還原方面具有顯著優勢。這為后續的圖案元素延展與變形提供了高質量的基礎素材。高質量的SR 圖像不僅保留了原始圖案的文化內涵和藝術風格，還為進一步的創新設計提供了更多可能性。例如，在生成復雜紋樣時，SR 重建后的圖像能夠提供更清晰的邊緣和更豐富的細節，使得生成的圖案更加精致和真實。此外，SR 技術的應用還能夠修復一些因時間久遠而受損的圖案，為非遺圖案的保護和傳承提供技術支持。從中可見，SR 圖像重建技術在非遺圖案保護中的應用，不僅提升了圖案的視覺效果，還為后續的數字化開發和創新設計奠定了基礎，如圖3。

基于生成結果與傳承人手工鏨刻紋樣的對比，從效率、多樣性、文化準確性及適用場景四方面解析兩者差異，如表1。

通過以上對比分析，可以看出機器生成與人工繪制在非遺圖案創作中各有側重。機器生成在效率與多樣性上優勢顯著，但文化語義的深層理解仍需人工介入。例如，蒙鑲紋樣中“八寶紋”的宗教隱喻需依賴傳承人標注先驗知識，以避免生成符號的語義錯位。未來可探索人機協同模式，將GAN 的生成能力與工匠的經驗判斷結合，實現非遺創新的“效率－文化”平衡。

三、基于智能生成圖案的北京蒙鑲文創產品設計

傳統圖案的再設計其實是對文化記憶和歷史意義的再挖掘，是賦予傳統文化新的生命，使其在現代社會中得以延續。[13] 創新后的圖案既有傳統的基因，又符合現代審美需求，是傳統在現代得以留存和發展的重要方法之一，同時也為現代設計提供了大量的靈感來源。

（一）設計思路

1. 文化傳承性原則：建立“紋樣語義圖譜”（如表2），將北京蒙鑲傳統紋樣按文化內涵大致可劃分為，宗教符號類：八寶紋（雙魚、寶傘等）；自然圖騰類（云龍紋、纏枝蓮紋）；吉祥寓意類（萬字紋、蝙蝠紋）。將這些紋樣與現代設計元素與傳統工藝特色相融合，使文創產品既保留非遺的文化內涵，又創造出新穎獨特的視覺效果。

2. 現代審美適配原則：注重文創產品的實用性，選擇絲巾、抱枕、馬克杯、冰箱貼等日常用品作為設計載體，讓藝術融入生活。同時，通過高質量的圖案生成和精細的制作工藝，確保產品的藝術品質，提升了產品的附加值和吸引力。

3. 系列+ 場景化提升原則：采用系列化設計方法，圍繞蒙鑲技藝的主題，開發出具有內在聯系和整體美感的產品系列。使不同產品之間相互呼應，形成統一的品牌形象，增強市場競爭力。

（二）具體流程

1. 圖案提取與處理：從GAN 生成的蒙鑲圖案庫中，挑選出具有代表性和美感的圖案。對選中的圖案進行進一步的處理和優化，如調整線條的粗細、密度，使其更適合于不同產品的表面特征。對于絲巾等柔軟材質，選擇流暢、優雅的線條；對于馬克杯等硬質材料，采用簡潔、明快的線條。

2. 色彩搭配：根據產品的特性和使用場景，為蒙鑲圖案重新上色。絲巾可選擇柔和的色調，如淡綠色、淡藍色等，營造出溫馨、高雅的氛圍；冰箱貼則可以采用對比鮮明的色彩組合，如黑金配色，以突出圖案的精致感和金屬的質感；馬克杯、杯墊之類的產品則可以嘗試一些活潑的色彩，如明亮的黃色、清新的綠色等，增加產品的趣味性和吸引力。

3. 產品適配性設計：針對不同產品特點，進行適配性設計。例如在絲巾設計中，將蒙鑲圖案進行延展和重復排列，形成連續的花紋，同時在邊緣處添加流蘇等裝飾元素，增加產品的精致感。抱枕設計中，將圖案置于抱枕的中心或角落，搭配簡潔的純色背景，使圖案更加突出。馬克杯和冰箱貼則注重圖案的局部呈現，選擇最具特色的部分進行放大和展示，確保在有限的空間內展現出蒙鑲技藝的魅力。

（三）案例展示

在設計實踐過程中，通過GAN 協助處理原始數據后生成基礎圖案，然后對這些圖案進行優化，使其更具表現力和吸引力。在此基礎上，利用 AIGC 輔助生成產品效果圖。通過這種方式，可以為設計師提供更多的靈感和參考，幫助他們更好地將智能生成的非遺圖案應用于實際的文創產品設計中，實現從數字生成到實體產品的有效轉化，推動非遺文化的現代傳承與創新發展。而且人工智能生成產品概念方案提高了產品設計流程的工作效率，縮短了傳統產品概念設計由于借助計算機輔助軟件所消耗的時間。[14]

1. 絲巾設計：本案例以北京蒙鑲制品上的八寶紋中的雙魚紋為基礎，利用智能生成技術將其轉化為更具動感的雙魚戲蓮圖案。在圖案生成階段，優先強化紋樣中符號（如雙魚紋的眼睛、鱗片）與自然圖騰（如纏枝蓮的卷須）的細節生成，生成10 種動態變體，再由傳承人基于“紋樣語義圖譜”篩選出3 種符合文化隱喻的候選方案（篩選標準：雙魚紋尾部需呈現“向上躍動”形態，象征吉祥升騰）。在色彩搭配上，選擇明亮而富有活力的色調，使整個圖案更加飽滿，進一步凸顯其吉祥的寓意。絲巾采用桑蠶絲材質，確保產品質感細膩，有光澤度。在實際應用中，雙魚紋所蘊含的吉祥與智慧的寓意，賦予了這款絲巾獨特的文化價值。這不僅是一款精美的裝飾品，也可以作為一件承載著文化內涵的禮品，能夠展現北京蒙鑲技藝的魅力，如圖4。

2. 杯墊設計：本案例先是對北京蒙鑲制品進行了圖案的提取和處理，并進一步優化該圖案。后將其導入繪圖AI 中，生成多個配色的紋樣圖形，以此為靈感生成系列杯墊設計。尤其考慮配色與圖案的適配度，以及體現較強的中國傳統風格。以“八寶紋”杯墊為例（如圖5 所示），設計過程中引入參數化色彩映射算法，將傳統金銀色調動態適配為現代漸變配色（如亞光黑+ 玫瑰金）。用戶可通過微信小程序實時調整紋樣密度與配色方案，實現‘千人千面’的個性化定制。

3. 燈具設計：本案例以北京蒙鑲器物上的蓮葉紋樣為基礎，利用智能生成技術提取出傳統紋樣，并通過繪圖 AI 軟件 對紋樣進行處理與變形，生成更具現代感的動態蓮花圖案。在紋樣處理階段，重點優化蓮葉的自然形態（如葉脈的流動感）與蒙鑲工藝的細節特征（如金屬紋理的立體感），生成一系列紋樣效果。隨后，結合蒙鑲技藝的“紋樣語義圖譜”，篩選出符合文化隱喻的方案（篩選標準：蓮葉需呈現“向上舒展”形態，象征生機與和諧）。在紋樣燈具應用設計中，主體材料采用黃銅金屬，通過光影交錯的效果進一步凸顯蒙鑲傳統紋樣的優雅與靈動。燈具的色彩搭配選擇質樸而富有層次感的色調，既保留傳統蒙鑲的精致感，又融入現代家居的簡約風格。最終，使這款燈具不僅是一件功能性的照明產品，也是一件承載蒙鑲文化內涵的藝術品，能夠作為家居裝飾或文化禮品，展現北京蒙鑲技藝的獨特魅力，如圖6。

（四）GAN+AIGC 的范式創新

1. 生產模式重構：在經過圖案篩選后，使用GAN 對現存破舊、模糊的北京蒙鑲圖案進行處理，建立起“紋樣語義圖譜”作為基礎資料庫。可以結合繪圖AI 對基礎圖案進行優化和提升，并進一步形成文創產品初步方案，以供設計師參考及用戶選擇，逐步形成“GAN提取——AI 生成——設計師精修——用戶定制”的流程。在此過程中，GAN 圖案資料數據庫需要較大工作量，批量形成智能生成標準化紋樣庫（＞ 1000 種）。傳承人或設計師對Top 10% 的生成結果進行手工潤色，進入定制層，用戶可通過H5 界面或紙質資料自主挑選、組合紋樣元素，形成最終的產品。

2. 圖案智能進化：從前文可知，現有的智能技術正推動著傳統紋樣的開發發生三重轉變：一是結構維度方面，因為計算機圖形技術的介入，圖案從傳統的腦——心——眼——手的過程，變成了計算機的處理，表現形式也從絕對對稱向參數化動態平衡演進。二是色彩維度方面，隨著技術的進步，圖案所使用的顏色已經從自然色彩顏料，發展到化學色彩顏料，再到現在的智能輔助計算色彩配色，傳統圖案的色彩使用已經突破材質限制，實現了多介質色彩表達。三是功能維度方面：傳統的圖案都是應用在平面或立體的產品裝飾上，通過線條的走向，紋樣的搭配來展示畫面的節奏與韻律，但這種動感還是意境美層面的。但是現在結合計算機技術后，圖案實現了從靜態裝飾向智能交互體驗升級，這為設計提供了更多的展示空間。

結語

本研究系統地探索了生成式對抗網絡（GAN）在北京蒙鑲非遺圖案智能生成中的應用，從數據采集、模型訓練到圖案生成與后期處理，全方位驗證了GAN 技術在非遺保護與創新設計中的可行性和優勢。研究結果表明StyleGAN2 模型在生成效率和質量上更優，能夠更好地滿足非遺圖案生成的需求。SR 圖像重建技術進一步提升了生成圖案的分辨率和細節質量，使用AIGC 對生成后的圖案進一步展開創作，提高了設計流程的效率，也提供了更多的靈感和參考，為非遺圖案的保護和傳承提供了有力的技術支持。