佛山优化网站排名收费,广州互助网站开发,wordpress栏目页分页,wordpress 开启手机本文来自AI新媒体量子位#xff08;QbitAI#xff09;设计师要开工#xff0c;总是离不开配色方案#xff0c;也就是色板。 不过#xff0c;做色板可不是个简单的活#xff0c;色板生成器Colormind的作者Jack Qiao#xff08;名字来自Product Hunt#xff0c;我们下面叫… 本文来自AI新媒体量子位QbitAI 设计师要开工总是离不开配色方案也就是色板。 不过做色板可不是个简单的活色板生成器Colormind的作者Jack Qiao名字来自Product Hunt我们下面叫他小乔吧解释了这项工作难在何处一系列颜色搭配得好了大部分人都知道好看但想解释“为什么”就不那么容易了要创造出既好看、又符合品牌指导等等预设条件的色板更是难上加难。 作为一个提起色板就头疼的设计师小乔配色一靠猜二靠试三靠从在线颜色生成器和好看的照片上取色。 虽有三大法宝在手小乔的设计师生涯依然艰难。好在数学功底不错的小乔悟出了一个道理要做好设计先过码农关我高贵的灵感怎能浪费在配色这种事上 于是小乔选了算法开始尝试用机器学习自动生成色板。 保守的LSTM 一开始小乔把生成色板转化成了一个向量序列预测问题 已知一个由四种颜色组成的序列下一种颜色是什么 他选择用长短时记忆网络LSTM来解决这个问题得到的结果是这样的 有些配色方案看起来还不错但是LSTM似乎不喜欢明亮的颜色。这个模型害怕失败总是倾向于选择灰、棕等中性颜色。 小乔试着去优化LSTM到2016年底终于放弃了。因为他移情别恋了。 还是GAN好 生成对抗网络GAN是Ian Goodfellow于2014年提出的模型近两年来一直是学术界研究热点。它的主要功能是用来造假生成以假乱真的图片量子位曾经写过一个玩转GAN的教程。 小乔觉得生成色板这个工作交给GAN更合适确切地说是pix2pix也就是那篇题为Image-to-Image Translation with Conditional Adversarial Nets的论文和它的开源代码。 pix2pix有很多衍生品前些天火遍Twitter的画猫应用也是用它改的。 小乔下载了pix2pix并做了一些改动用Adobe Color的数据进行训练让它在残缺的色板里填充颜色。GAN选择的颜色经常和人类不太一样但还是很好看的。 训练模型时小乔发现L1参数对视觉效果影响最大它影响了模型的空间感知。L1数值越高输出的随机性越低色彩也更单调。 还有一个很关键的问题会不会过拟合既然是用Adobe Color训练如果它过拟合到了直接返回输入数据的程度我直接用Adobe Color就好了嘛……按理说一个GAN倒是不会。 小乔测试的结果是确实和没有过拟合。 从照片提取色板 玩转了根据一两个颜色补全色板小乔还没折腾狗他开始研究如何从图片提取色板。 其实网上已经有不少提取色板的工具比如说Pictaculous就是这样一个在线工具。这类工具通常使用颜色量化算法MMCQ。 提取色板遇到的最大问题来自照片本身大部分照片配色其实都不怎么好看。而色板提取常用的MMCQ往往力求真反映照片的颜色结果就是生成出的色板也跟着不好看。 不仅不好看还排列得很随机跟GAN填充出的色板一点也不一样。 比如说这张照片生成出的色板 小乔觉得用GAN应该能让色板变美一点但他尝试了一种更简单粗暴的方法并给这种方法起名叫generative-MMCQ。 generative-MMCQ就是先给MMCQ提取的色板生成几个变体然后将每个色板上的颜色调换一下位置再用分类器对调换位置后的色板进行打分然后选出最好的一个。 最后的分类器掌握着色板的生杀大权。小乔建立了一个独立的分类器并用手选的颜色对它进行训练。 Demo 小乔折腾的结果就是我们一开始提到的Colormind。 在量子位QbitAI公众号会话界面回复“色板”获取本文提到的各种资源链接包括Colormind、Pictaculous、颜色量化算法、pix2pix等。 可惜没找到Colormind开源算法希望有大神可以用pix2pix改一个出来~ 本文作者李林 原文发布时间2017-03-02