基于GANICP的青花风格迁移研究

邹吉文，徐远纯

（景德镇陶瓷大学信息工程学院，江西 景德镇 333403）

陶瓷凝结了中国数代劳动人民的智慧与力量。景德镇作为“千年瓷都”，有着数千年的陶瓷历史，以精美绝伦的瓷器享誉世界，是“瓷器之国”的象征。在中国中古时期，中国早已向外国销售精制瓷器，其生产和制造的历史源远流长。尤其是景德镇陶瓷，自此驰名天下，具有较高的陶瓷地位和广阔的国内外市场。中国陶瓷以“白如玉、薄如纸”的特点而享誉全球，加以书法、绘画等工艺将典雅的青花图案、斑斓的色釉、玲珑的薄胎等融合设计，制造成为巧夺天工的艺术品。在传播中华传统文化、促进中外经贸往来、文化交流、艺术碰撞起到了极大的推动作用，成为中国的艺术瑰宝。

计算机技术正在逐步向诸多领域渗透以实现深度融合和垂直发展。对于陶瓷行业，计算机的陶瓷花纸设计优势能够很好地避免人工手绘二方连续图形的弊端，减少人工手绘图案造成的败笔，从而确保花纸样式连续、稳定地输出和打印，以增强陶瓷图案设计的技术性，推动陶瓷行业的现代化进程。深度学习将人工拍摄的风景照和陶瓷图案相融合[1]，基于CycleGAN技术提出GANⅠCP模型，利用GANⅠCP模型训练和选择，进一步优化图案风格并以风景花纸样式输出，作为青花瓷的纹饰图案，从而丰富青花瓷图案的多样性，赋予陶瓷设计更多的创意，为传统陶瓷人花添加当代人文思维。同时提升陶瓷产品的观赏价值和人文情怀，成为当代陶瓷企业的创新突破点。

1 青花瓷风格迁移技术

1.1 CycleGAN风格迁移

GAN，即生成对抗网络，该技术被广泛应用到图形生成、语义编辑和风格迁移等，作为深度学习模型无需批量标注训练集。GAN由生成器G和判别器D组成互相竞争的对抗型网络。以图像数据集为例类比，其中一个网络扮演着“伪造专家”的角色，即“生成器”；另一个网络则扮演着“鉴别专家”的角色，即“判别器”。前者致力于生成逼真的图像，后者接收“伪造专家”生成的图像并区别于真实图像。在GAN对抗组成中，生成器将被随机噪声干扰后的数据“伪造”合成数据样本，判别器接收到“伪造”样本或者真实样本后作出判断。若判别器的判断结果为合成数据样本，则输出“伪造”及对应接近于0的分数；若判别器的判断结果为真实样本，则输出“真实”并打分。同时，生成器和判别器在训练过程中互相竞争，直到判别器无法分辨出是“伪造”还是“真实”[2]。GAN网络中，生成器更新参数不依靠数据样本自身，而是将判别器的反向传播结果作为更新参数的依据，这一优势在很大程度上规避了机器学习的短板。

虽然GAN技术逐步完善和成熟，但是仍然面临收敛难题。为了保证最终收敛多采用诸多参数设置以平衡生成和判别2个竞争性网络，该技术增加了计算量，使模型训练难度加大。具体来讲，不收敛表现在梯度消失和梯度崩塌这2个方面。CycleGAN是对GAN网络的发展和改进[3]，基于对偶思想实现风格转换，该方法无需训练大量成对的数据集，通过2个生成器与2个判别器完成对图片A和B的映射，使得A、B能够保留各自内容并完成两者的风格转移，从而生成逼真图像[4-5]。但是，针对高度抽象的图片[6]，CycleGAN很难实现图像内容的转移。因此，文章提出了改进的CycleGAN模型[7]。

1.2 GANICP模型

基于CycleGAN模型，GANⅠCP模型的图像风格迁移研究在应用和理论2个方面作出了改进。

应用改进：利用多对抗网络技术将现代设计技术渗透到传统陶瓷文化中，提出了GANⅠCP应用模型，实现风景图片和陶瓷青花山水风格的深度融合。

理论改进：针对高度抽象的图片，CycleGAN很难实现图像内容的转移。因此基于PatchGAN判别器重新构建了新的生成器以处理高度抽象图片的内容转移。对CycleGAN中残差层进行改进，将传统加性连接替换为带有拼接连接的残差层，如图1所示。

图1 生成器网络改进

即构建新的GANⅠCP（Generative Adversarial Networks forⅠmage to Chinese Painting Translation）模型以增加风格迁移的效果，同时保持内容完整度的平衡，并能够以更少的训练样本达成预期成果。

1.3 GANICP技术原理

基于CycleGAN技术改进的GANⅠCP生成模型。2017年，深度学习领域首次提出CycleGAN技术[8]，其作用于不同图像间的风格迁移，基于CycleGAN技术的改进，实验提出GANⅠCP生成模型。GANⅠCP模型在陶瓷行业的应用明确界定了2个问题：①如何明确定义和分离风景图案的整体风格和具体内容；②在图像风格的改变和迁移过程中，如何确保图案损失最小化，保存图案完整内容[9]。

GANⅠCP生成模型原理为：假设存在2个空间样本M和N，其中M空间存储待转换风格的图像，N空间存储目标风格的图像。空间M到空间N的映射关系用Q表示，m为空间M内的图片，经过Q映射后转变到空间N中，表示为Q（m）；利用判别器Dm和Dn分辨图片Q（m）的真实性并构建对抗生成网络；空间N到空间M的映射关系用P表示，P映射确保GANⅠCP模型将空间N内的图片n转变为空间M中的不同图片P（n），有效杜绝将空间M的图片转变为空间N中相同图片的情况；GANⅠCP模型能够同步学习图像输入和输出的映射关系Q、P，使得P（Q（m））≈m、Q（P（y））≈y，最终由映射P将N空间的样本图像风格迁移到M空间样本图像中。

模型对应函数关系如下。空间M到空间N的G映射及判定模型Dn为：

2种风格图案转换中最小损失函数：

最终目标函数：

其中，λ值越小，图案的风格迁移效果越好。

2 结果与分析

2.1 实验搭建环境

实验程序在Pycharm集成开发环境上运行，所采用的电脑型号是华硕Strix GL704GW_S7CW（英特尔Core i7-8750H@2.20GHz六核），GPU模块运行，可实现实时性的图像风格迁移。

2.2 实验结果与分析

实验选取monet2photo莫奈绘画和自然图片的数据集、人力收集的青花图案数据集作为训练集，原始图片和实验效果图片如图2所示，参考生成的风格迁移图像进行30循环批次，整体的效果良好，基本实现了风格和内容之间的平衡，但是生成结果相对模糊，原因是青花风格现有图片较少，多是模糊拍摄，所以内容图像相关细节在风格迁移后精细化还原，需要收集更多清晰的青花风格图片来进行训练，这是后续实验的一个方向。

图2 风格迁移前后的图像颜色对比

3 结束语

青花瓷是中国陶瓷的杰出名片，也是陶瓷文化的重要载体，是世界和中国交互的文化符号，在传播文化、艺术碰撞中扮演了重要角色。在传统的青花山水图饰中，陶瓷工匠将山水、人文景物等自然风光作为陶瓷图饰的主题绘制于瓶、碗、盘等艺术珍品与生活工具之中，经过高温烧制，瓷器呈现出深浅不一、错落有致的水墨风格，形成别具一格的青花陶瓷工艺品。

GANⅠCP是对原始的CycleGAN网络的下采样构架进行改进，通过将传统加性连接替换为带有拼接连接的残差层来保留低维特征。对后续的低维特征和高维特征的融合起到优化的作用，以此来更深度地抽取青花风格[10]。

文章基于机器学习和计算机视觉技术，充分彰显陶瓷文化的品牌影响力，对传统陶瓷文化进行传承和现代化升级。将传统陶瓷产业和计算机技术的纵向融合，促进陶瓷产业升级和布局优化。风格迁移后的图像能够应用到陶瓷产品的生产实践中，具备一定商业价值。

GANⅠCP青花风格迁移的研究丰富了青花瓷图案的多样性，赋予陶瓷设计更多的创意，为传统陶瓷人花添加当代科技元素和人文思维，提升了陶瓷产品的观赏价值和人文情怀，成为当代陶瓷企业的创新突破点。