照片秒變icon？日本研究員提出基于生成對抗網絡的Iconify模型來幫忙！
AI圖標化的新技能
為了驗證這兩種模型是否可以對圖像進行有效的圖標化，研究人員分別對人體圖像、通用目標和基于logo訓練的圖標化模型進行了實驗。
針對人體的圖標化，研究人員僅僅利用了包含人體的圖像和對應的圖標進行訓練。通過分類限制訓練樣本的多樣性可以看到GANs圖標化的能力。在訓練過程中僅僅使用了包含部分人體的圖像，同時去除了多人的圖標，最終利用從72張icon增強的1440張圖標和1684張真實人體圖像進行了訓練。下圖顯示訓練的數據樣本
下面分別比較了CycleGAN和UNIT模型對于人體圖標化的結果，可以看到兩種模型都可以較好地圖標化人體圖像，實現了對于人體的有效抽象。其中CycleGAN生成額結果更好，對于頭部和身體的形狀更為簡化。但針對面部特征的圖標化不太好主要是由于訓練圖標數據中缺乏有效的面部細節(jié)特征。
由于CycleGAN具有循環(huán)損失，所以研究人員還對圖標化后的結果進行了圖像化，下圖顯示了圖像到圖標再到圖像的生成結果，以及圖標到圖像再到圖標的結果，顯示了模型對于圖像和圖標抽象能力的理解。
隨后研究人員將圖標化的過程拓展到了COCO中包含的通用物體上。由于物體的形狀各異、顏色紋理各不相同，模型需要處理的映射更為復雜。為此研究人員利用了由粗到精的策略來訓練CycleGAN，依次在32x32，64x64，128x128，最終在256x256上進行訓練。
下圖顯示了最終訓練后生成的結果，其中橘色框中顯示了未參與訓練的測試圖像及其結果，很好地抽象并描述了圖像中的目標。
盡管圖像為圖標提供了較多的設計信息，但其結果與第一個任務中的圖標相比還不夠抽象，與標準圖標還有所差異。例如上圖中的鐘表圖像就抽象的不太好。由于沒有設計的通用準則和標準，針對常規(guī)物體的圖標化顯示出了較大的差異性。
為了進一步驗證這種方法，研究人員還利用了彩色的logo數據集LLD對圖標化任務進行了訓練，使得CycleGAN生成彩色的圖標。與上一個任務相比，生成圖標的質量在色彩的幫助下有了很大的提升，例如下圖中的狗子圖標化結果就比上圖中要好很多，雖然顏色可能與原始圖像有差異，但整體的配色與形狀和我們的審美協(xié)調。
不過上圖中藍色框內也顯示了一些錯誤圖標化的例子，例如鐘表沒有太多變化，第二個過于抽象化，第三、四個生成了文字，第五個則沒有保留明顯了目標信息。這主要是由于目標的背景、噪聲以及LLD的logo數據帶來的文字信息造成了一定影響。
但不可否認這種圖標化的方法可以有效地對目標圖像進行抽象處理，為設計師提供了創(chuàng)意參考、也為沒有設計基礎的小伙伴們提供了快速生成高質量圖標的好辦法吧～
分享
請輸入評論內容...
請輸入評論/評論長度6~500個字
