梁瑋蕾 周翔宇

【摘 要】圖像風格化是平面設(shè)計中的一個重要手段，它能將不同圖像上的藝術(shù)風格形象表現(xiàn)在普通圖像上，從而改變圖像的視覺效果。近幾年來人工智能備受關(guān)注，基于機器學習的計算機視覺領(lǐng)域得到了迅猛發(fā)展，將機器學習方法運用到平面設(shè)計中，不僅可以豐富平面設(shè)計圖像風格化技術(shù)，還可以方便普通用戶進行圖像風格的設(shè)計。

【關(guān)鍵詞】圖像風格化;平面設(shè)計;機器學習

中圖分類號：J045? ? ? 文獻標志碼：A? ? ? ? ? ? ? 文章編號：1007-0125（2020）23-0162-01

目前，用于平面設(shè)計中圖像藝術(shù)風格設(shè)計的工具主要有PhotoShop、coreldraw、美圖等圖像處理專業(yè)軟件。但對于不懂藝術(shù)風格的非專業(yè)人士來說，使用這些軟件將圖像創(chuàng)作成自己喜歡的藝術(shù)風格圖像將是一項相當復雜的工作。然而，隨著機器學習在圖像風格化技術(shù)研究的發(fā)展，將機器學習方法應用于平面設(shè)計圖像風格化，可以使普通用戶自由創(chuàng)作出任意藝術(shù)風格的圖像。

一、平面設(shè)計圖像風格化

圖像風格是特定的、抽象的藝術(shù)派系特征表示，主要包含了圖像紋理和圖像顏色。不同的圖像風格針對同樣的圖像內(nèi)容，可以展示出不同的文化內(nèi)涵和藝術(shù)特效。平面設(shè)計中圖像風格化又稱圖像風格遷移，是指將一張普通圖像在內(nèi)容不變的情況下，生成具有另一張或多張圖像上藝術(shù)風格的圖像，使原普通圖像內(nèi)容不變而融合其他圖片獨特的藝術(shù)風格。

二、機器學習在平面設(shè)計中的運用

隨著近幾年機器學習的風靡，給平面設(shè)計中圖像風格化帶來了更多的新思路和好結(jié)果?；跈C器學習方法的平面設(shè)計圖像風格化方法可分為：基于圖像筆觸生成的方法，基于圖像紋理合成的方法，基于物理建模的方法與基于深度神經(jīng)網(wǎng)絡(luò)生成模型的圖像風格化方法[1]。前三類為傳統(tǒng)的進行藝術(shù)圖像風格化的機器學習方法，其無法提取藝術(shù)圖像的內(nèi)在高層次特征，因此導致藝術(shù)圖像風格化的效果不是很好[2]。而深度學習作為機器學習的一個分支，它源于人工神經(jīng)網(wǎng)絡(luò)，模擬大腦神經(jīng)感知外部世界，能夠提取藝術(shù)圖像樣本的語義信息和內(nèi)在特征。因此在平面設(shè)計中，將深度學習的卷積神經(jīng)網(wǎng)絡(luò)方法運用到平面設(shè)計圖像風格化上，可以提取藝術(shù)圖像在神經(jīng)網(wǎng)絡(luò)各個層面的特征信息，對圖像藝術(shù)風格特征進行很好地識別與表達，然后再將提取的風格特征信息與原普通圖片進行圖像融合，即可實現(xiàn)平面設(shè)計中圖像的風格化。

目前，運用機器學習卷積神經(jīng)網(wǎng)絡(luò)的方法進行圖像藝術(shù)風格化的研究吸引了廣泛的關(guān)注，并且也得到了一定的運用。2015年，Gatys等人率先提出運用深度學習卷積神經(jīng)網(wǎng)絡(luò)方法對藝術(shù)圖像風格進行紋理特征提取，實現(xiàn)平面設(shè)計中藝術(shù)圖像風格化[3]。2016年，Alexey Moiseenkoy基于深度學習卷積神經(jīng)網(wǎng)絡(luò)創(chuàng)建Prisma圖像風格化應用軟件，但該款軟件存在受特定種類的不同藝術(shù)風格的濾鏡限制的局限;同年，Sergey Morugin 基于深度學習Deep Dream算法創(chuàng)建Ostagram圖像風格化軟件，它不需再受限于給定的濾鏡模板，能識別任意兩張圖片的內(nèi)容，將其中一張的圖像的藝術(shù)風格遷移到另一張圖像上。基于卷積神經(jīng)網(wǎng)絡(luò)的深度學習方法從一張有名的藝術(shù)圖像中提取出它的藝術(shù)風格、識別用戶上傳的藝術(shù)圖像里面的各種元素，用指定藝術(shù)圖像的格調(diào)對普通圖片進行風格化等操作后的圖像效果良好，但是由于深度學習神經(jīng)網(wǎng)絡(luò)的算法相對比較復雜，需要占用較大的內(nèi)存資源和較長的運行時間。

為了給用戶帶來良好的用戶體驗，需要在后臺服務器上同時運行處理，才能滿足圖像風格化處理速度比較實時的要求，這使得深度學習算法在平面設(shè)計圖像風格化的運用，在移動端受到一定的限制。最近有研究人員提出了對多張圖像藝術(shù)風格遷移到一張普通圖像上的算法[4]，又有學者也提出了大量基于生成對抗網(wǎng)絡(luò)的圖像多風格化的方法[5]，這些算法的改進對圖像風格化的速度也有了一定的提高。我們可以將這些最新的深度學習算法運用到平面設(shè)計圖像風格化中來，實現(xiàn)一張圖像中能同時融合多張藝術(shù)圖像的藝術(shù)風格。

三、結(jié)語

平面設(shè)計圖像風格化的發(fā)展，離不開機器學習算法的不斷優(yōu)化與更新。快速、準確的深度學習算法應用到平面設(shè)計中，不僅能夠減少平面設(shè)計圖像風格化的創(chuàng)作時間，而且可以幫助普通用戶自由任意創(chuàng)作自己想要的藝術(shù)風格作品，給用戶帶來良好的體驗。

參考文獻：

[1]鄧盈盈， 唐帆， 董未名. 圖像藝術(shù)風格化的研究現(xiàn)狀[J]. 南京信息工程大學學報（自然科學版）， 2017， 9（06）： 593-598.

[2]黃海新， 梁志旭， 張東. 基于深度學習的圖像風格化算法研究綜述[J]. 電子技術(shù)應用， 2019， 45（07）： 27-31.

[3]GATYS L A，ECKER A S，BETHGE M. Texture synthesis using convolutional neural networks[C]. International Conference on Neural Information Processing Systems. MIT Press， 2015.

[4]SHEN F.L， YAN S.C， ZENG G. Neural Style Transfer Via Meta Networks[C]. 2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Salt Lake City， 2018： 8061-8069.

[5]Y. Jing， Y. Yang， Z. Feng， et al. Neural Style Transfer： A Review[J]. IEEE Transactions on Visualization and Computer Graphics， 2019.