李林 发自 城北某村落

量子位·QbitAI 出品

设计师要开工,总是离不开配色方案,也便是色板

不过,做色板可不是个大略的活,色板天生器Colormind的作者Jack Qiao(名字来自Product Hunt,我们下面叫他小乔吧)阐明了这项事情难在何处:一系列颜色搭配得好了,大部分人都知道好看,但想阐明“为什么”就不那么随意马虎了;要创造出既好看、又符合品牌辅导等等预设条件的色板,更是难上加难。

AI造福设计师搭配色板这种苦差事交给GAN就好啦教程

作为一个提转机板就头疼的设计师,小乔配色一靠猜二靠试,三靠从在线颜色天生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困难。
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,我崇高的灵感怎能摧残浪费蹂躏在配色这种事上!

于是,小乔选了算法,开始考试测验用机器学习自动天生色板。

守旧的LSTM

一开始,小乔把天生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?

他选择用是非时影象网络(LSTM)来办理这个问题,得到的结果是这样的:

有些配色方案看起来还不错,但是LSTM彷佛不喜好通亮的颜色。
这个模型害怕失落败,总是方向于选择灰、棕等中性颜色。

小乔试着去优化LSTM,到2016年底终于放弃了。
由于,他移情别恋了。

还是GAN好

天生对抗网络(GAN)是Ian Goodfellow于2014年提出的模型,近两年来一贯是学术界研究热点。
它的紧张功能,是用来造假天生以假乱真的图片,量子位曾经写过一个玩转GAN的教程。

小乔以为,天生色板这个事情交给GAN更得当,确切地说是pix2pix,也便是那篇题为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的画猫运用也是用它改的。

小乔下载了pix2pix并做了一些改动,用Adobe Color的数据进行演习,让它在残缺的色板里添补颜色。
GAN选择的颜色常常和人类不太一样,但还是很好看的。

演习模型时,小乔创造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演习,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。

实在,网上已经有不少提取色板的工具,比如说Pictaculous便是这样一个在线工具。
这类工具常日利用颜色量化算法MMCQ。

提取色板碰着的最大问题来自照片本身:大部分照片,配色实在都不怎么好看。
而色板提取常用的MMCQ,每每力求真反响照片的颜色,结果便是天生出的色板也随着不好看。

不仅不好看,还排列得很随机,跟GAN添补出的色板一点也不一样。

比如说这张照片天生出的色板:

小乔以为,用GAN该当能让色板变美一点,但他考试测验了一种更大略粗暴的方法,并给这种方法起名叫generative-MMCQ。

generative-MMCQ,便是先给MMCQ提取的色板天生几个变体,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。

末了的分类器,节制着色板的生杀大权。
小乔建立了一个独立的分类器并用手选的颜色对它进行演习。

Demo

小乔折腾的结果,便是我们一开始提到的Colormind。

在量子位(QbitAI)"大众号会话界面回答“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~

本日AI还搞了哪些大新闻?在量子位(QbitAI)公众年夜众号会话界面回答“本日”,看我们全网包罗的AI新鲜资讯。
比心❤~