摘要：文章为生成对抗网络与工业设计结合探索创新解决思路，通过研究AI生成对抗网络衍生模型，以健身榨汁杯为设计实践，提出融合运用不同衍生模型的设计模式。运用文献调研法梳理生成对抗网络衍生模型特点，通过健身榨汁杯设计流程进行设计验证。设计验证部分，结合市场调研与用户调研的数据应用StackGAN与CycleGAN确定产品功能与外观设计，基于问卷调研与用户反馈结果应用Deep Exampler-based与StyleGAN完成系列产品配色设计及理想模特生成。文章总结了工业设计中生成对抗网络衍生模型的多种应用模式，最终通过实例验证该算法的有效性、可行性，为工业设计实践提供参考。

关键词：生成对抗网络；工业设计；人工智能；榨汁杯；计算机辅助设计

人类社会文艺复兴后经历了工业化、机械化、信息化时期，现正走向智能化阶段。我国非常重视人工智能，并大力推动发展，2022年7月，科技部、教育部、工信部等联合印发了《关于加快场景创新以人工智能高水平应用促进经济高质量发展的指导意见》。2022年8月，国家科技部发布《关于支持建设新一代人工智能示范应用场景的通知》。为响应坚持实施国家创新驱动战略，以人工智能为技术要素，研究如何提升工业设计的核心创新力和前端竞争力，成为我国转型发展历程中的关键。

AI和艺术设计领域的结合，比大部分人的认知都要早一些。艺术家Arrodcoon在20世纪70年代就已经在艺术设计领域应用了人工智能。而现如今，酷家乐的VR室内设计软件，小库X-kool的智能设计平台通过大数据挖掘、智能分析识别等技术，实现了室内与建筑设计的局部自动化设计。当代设计中，人工智能的应用主要集中在平面设计、建筑设计、游戏开发、虚拟世界开发等方面，国内针对人工智能融入工业设计的相关研究较为缺乏。

一、生成对抗网络概述

生成对抗网络（Generative Adversarial Networks）是在人工智能深度学习领域的一种通过对抗过程生成模型的框架，一般简称为GAN。生成对抗网络模型主要包含生成器和判别器这两种不同的神经网络。生成器中输入了随机噪声向量，根据噪声生成随机图像，通过对损失函数的优化使得生成图像的分布不断地接近于真实图像分布，来实现欺骗判别器的目的。判别器对真实图像和生成图像进行判别，来提高判别器的分辨能力。生成对抗网络现如今普遍应用于图片风格迁移、文字生成图像、图像合成、AI绘画、图片降噪等场景，在自然语言处理、计算机图像识别等领域有巨大的发展潜力与价值。

改变传统的设计思路及模式，创新、提高工业产品设计的专业性和专属性，增强企业的核心竞争力，促进行业智能化、产业化建设，是工业设计发展的必然结果。因此需建立工业设计全产业的智能生态圈，加速工业设计发展。工业设计领域，生成对抗网络的应用还处在初级阶段，需要大量的相关研究来丰富，文章选择了生成对抗网络的几种主流衍生模型进行应用实践。

二、生成对抗网络在工业设计中的应用

生成对抗网络因其功能强大已成为生成模型的主流，并衍生出数量众多的衍生模型与变体模型，它们的擅长领域和特点各有不同。将梳理生成对抗网络中多种具有代表性的衍生模型，结合各自的特点，对它们在工业设计中的应用思路进行设想。

（一）DCGAN应用于设计灵感发散阶段

DCGAN是由AlecRadford于2015年提出。该模型利用卷积网络强大的特征提取能力，提高了生成网络的学习效果。相较于GAN，其可以更好地生成高质量图片，但整体功能偏向性不明显。

DCGAN可应用于工业设计的造型推敲与配色设计环节。DCGAN生成草图可在极短时间内生成数万张形状与颜色搭配不同的产品图片，设计师可以通过控制模型训练步数来生成贴近需求的图片，以此为灵感进行设计，实现突破常规、提升效率。

（二）StackGAN应用于设计灵感发散阶段和设计表达阶段

StackGAN是一种可以根据文本生成相应图片的网络模型。传统的条件生成对抗网络（conditional GAN，CGAN）可以生成和文本比较相关的图像，但是分辨率不够，细节部分缺失严重，不够生动具体。StackGAN可由文本生成高分辨率图像，这一功能在工业设计灵感发散阶段及最终表达阶段的作用巨大。

灵感发散阶段，StackGAN可生成大量产品图片供设计师选择，以强化灵感发散的作用。其是基于语义理解进行图片生成，过程中设计师可通过输入用户对产品的期望、感受等语句，据此生成的图片更具参考价值。StackGAN的应用难点集中在数据集训练部分，虽然现在的数据集常会为一张图像提供多个文字描述，但这些描述的语义却是相似的。由于少数的句子往往难以描述出复杂的场景，这些描述时常不能提供足够的信息。

（三）CycleGAN应用于产品配色、材质设计阶段

CycleGAN是非成对图像转换循环一致性对抗网络，主要应用于域的迁移，可以实现风格迁移的效果。风格迁移的目的是需要保持图像的内容不变，只是转换它的风格，这一点就和图像到图像的转换紧密相关。CycleGAN的提出代表着基于自重构损失的无监督图像转换网络，打破了有监督图像转换网络需要成对数据集的限制，是GAN发展历史上的一个重要突破。

工业设计中CycleGAN可应用于推敲效果图阶段，如设计师使用大量草稿、最终产品实物及效果图对模型进行训练。经过大量训练，模型可以通过输入的草图直接生成对应的渲染图，使其在最终的效果图改造、形态语义创造、结构设计模仿等方面都有较大潜力。

（四）StyleGAN应用于用户画像制作、产品展示阶段

StyleGAN是一种从ProGAN衍生而来的生成器，可通过数据集中的属性转换图像中的风格，譬如可以实现无监督地修改人脸姿势、身份、发型等，生成相对应的图像，还可以生成汽车、卧室等高质量图像。其主要用于人脸合成，可将StyleGAN应用于用户模型制作、产品展示环节。

根据用户画像所创造的合成人脸能够让设计师更加直观地感知自己的目标人群性格、偏好等，更加利于设计师的后续针对性设计。将机器生成的人脸照片作为最终产品展示环节的模特不仅可使设计师更好地控制最终模特的性别、年龄、特点等，更可实现以较小成本完成最终效果图。

（五）生成对抗网络在工业设计中的应用流程设计

综上可看出，生成对抗网络在设计中的应用更多是基于其可在短时间内将所获取信息进行理解、组合、输出的能力，以此替代传统的大量重复性工作，实现设计师将更多精力用在设计与创新方面。生成对抗网络生成的结果虽然量级较大，但输出的结果往往质量较低，且极易出现各种反常识的错误，因此一般不能直接使用，需要对生成结果进行评价、收敛、修正甚至仅将其作为灵感来源而不直接使用。生成对抗网络的输出结果不仅会受到模型能力的影响，其训练集以及数据源在输出结果的产生方面同样拥有极大权重。那么如何选择训练集、哪些图片更加贴近用户、如何控制生成参数来获得理想结果，这些都需要设计师通过前期大量调研并结合自身设计能力与设计考量来判断和选择。

在工业设计中生成对抗网络的应用流程可以归纳为以下几个方面：设计师根据设计目标选择适合的生成对抗网络类型，再选择适宜的训练集对模型进行训练；通过前期调研得到关键参数，并向模型中输入参数便可生成大量结果；设计师及相关用户对结果进行评价，未通过评价的需要判断未通过原因，修正后再重复上述步骤，通过评价的则需要对结果进行评分，选择评价较高的作为设计参考，最终产出设计结果。（图1）

三、应用生成对抗网络的健身榨汁杯设计

前文对几种常用的生成对抗网络模型进行研究，并结合各自特点对其在工业设计中的应用进行设想。本章将以健身榨汁杯的设计为例，设计验证生成对抗网络如何融入工业设计流程，探究其应用的优缺点，为后续更深入研究做好铺垫准备。

（一）健身榨汁杯需求分析与设计定位

根据《2021榨汁机行业数据报告》，2021年全球榨汁机市场规模大约为136亿元，预计2028年将达到156亿元，其中中国的市场份额超过35%，是目前全球最大榨汁机市场。年轻的Z世代是榨汁杯的主要消费群体，其中健身人群由于饮用蛋白粉的需求以及对蔬果维生素摄入量的需求而成为一个较大的消费群体。健身人群具备较强的消费潜力，目前面对健身人群的榨汁杯设计较匮乏且缺乏新意，尚未出现市场占有率较高的品牌。

通过前期桌面调研及用户访谈分析得出，价格、外观是影响年轻消费者购买的主要因素，较多消费者更加关注便携性与趣味性。据此确定为Z世代健身人群设计一款榨汁杯，主要创新点将集中在便携性与使用的趣味性方面。

（二）基于StackGAN的产品形态与功能设计

产品形态与功能设计环节选择使用StackGAN算法，通过控制输入的评价用语使模型在理解语义后产生更贴近目标人群喜好的产品图片，达到更精准实现设计灵感发散的目的。

相关图片生成前，首先对用户进行问卷调研，搜集目标用户对理想健身榨汁杯的正向评价用语，样本量为50。用户评价时的表述一般较为口语化，需规范化处理调研结果。为保证评价的准确性，对用户评价中的用词进行替换，将各类近义词与形容词进行统一规范整理，再选取出现频次5次以上的评价用语。（表1）

根据表1的统计数据，用户对理想健身榨汁杯评价用语前5名分别为：颜值高、使用简单方便、性价比高、便携、易清洗。将5条评价用语输入StackGAN模型，设定针对每一条评价用语生成20张关于榨汁杯的图片，最终得到100张不同的榨汁杯图片。

获得一百张不同的图片后，设计师记录下从每一张图片中得到的设计灵感，同时需要用户从不同图片的功能性、结构性、美观度3个维度对产品进行打分，整理每一项打分结果最靠前的3张产品图片，形成9张关键图片（图2），再对关键图片获得高分的原因进行梳理整合。（表2）

基于表2的评价与设计灵感进行后续设计。从1号图片中提取饮用口设计，从2号、6号、8号图片中提取产品结构与外观设计，从3号、4号、5号图片提取挂绳与提手设计，从7号、9号图片提取曲线装饰灵感，完成最终草图设计。（图3）

（三）基于CycleGAN的产品色彩与材质设计

生成相关设计草图后，发现使用StackGAN生成的图片在材质与表面加工工艺方面的变化较少。因此，后续实践中使用CycleGAN对草图进行色彩与材质赋予，并指导进一步的外观设计。

首先，对已经完成的设计草稿进行颜色区域划分，同一材质、同一颜色部分赋予相同颜色，对不同材质及不同颜色区域赋予不同颜色，以保证使用CycleGAN最终产出结果更加易于应用。接下来选取100张颜色各异、风格不同的图片，目标人群按照自己的喜好和偏向进行打分。对最终打分结果求取平均值，得到目标人群对不同风格图片喜爱程度的排名。选出分数最高的16张图片，结合以颜色进行分区的草图使用CycleGAN进行风格迁移操作，获得16张带有不同风格、纹理、颜色搭配的设计草图。（图4）

目标用户对风格迁移后的图片按照李克特量表进行打分，选择其中分数最高的一款作为后续材质、纹理、颜色设计的来源。根据打分结果，紫色与白色相结合的风格最终得分最高。以此为基础进行建模渲染，得到更加接近目标人群喜好的榨汁杯外观设计。图5为评分最高的风格迁移草图以及最终产品渲染图。

（四）基于Deep Exampler-based的系列产品配色设计

生成设计渲染图后，可以使用基于Deep Exampler-based的色彩迁移技术进行快速的系列产品设计。选择单一色域的拓色方式，可仅对杯盖及把手等部分进行颜色变换。以这种方式进行色彩迁移得到的结果颜色饱和度相同，视觉效果上作为系列产品配色更加和谐。希望得到更加突破性变化时，可采用基于色板的拓色技术和基于参考图的拓色技术对渲染图进行色彩迁移，以这种方式进行色彩迁移的最终效果变化更加明显，可获得更多不同颜色的搭配效果。对参数的修改与限定将影响最终输出结果，合理使用不同色彩迁移技术可以让设计师更便利地完成系列产品配色设计及配色尝试。图6为两种拓色方式效果展示。

（五）基于StyleGAN的模特生成

设计的最后阶段。根据设计定位，最终选择年轻的健身女性作为展示模特。首先根据需求手绘理想的模特线稿，将手绘线稿输入模型，使用StyleGAN的人脸生成软件输出相应的模特头像。再对照结果修改草稿及调整相关参数，直至输出结果贴近理想状态，导出生成头像图片。（图7）

使用PS等软件对产品渲染图以及生成的模特头像进行图片处理，最终得到贴近设计师要求的产品宣传展示海报。（图8）

（六）设计实践总结

首先，需要设计师掌握一定的算法知识，才可以更好地利用生成对抗网络进行设计，同时模型的训练过程非常复杂，需要设计师通过控制模型的参数、训练步数等获取理想的训练模型，这对设计师提出更高要求。其次，受限于模型能力，通过生成对抗网络生成的图片经常出现错误，无法直接使用，这就导致如一些比较复杂的直接生成故事板的图片生成需求等仍然无法实现。最后，部分算法需要大量的计算资源长时间运算以生成图片，在提升了最终图片质量的同时图片产生速度也有所下降，设计师为了更好地达到提高设计效率的目的，应该根据设计需求对算法进行合理的选择。

结语

文章研究生成对抗网络基础衍生模型特点，探讨将模型应用于工业设计中的可能性，并通过健身榨汁杯的设计从应用层面进行设计验证，充分证明了将生成对抗网络应用至工业设计中可以提升设计效率与设计质量。生成对抗网络作为一种高效率的计算机辅助设计工具在工业设计领域有很好的应用前景，它的合理应用将极大提高设计效率和质量，甚至改变现有的工业设计流程。

参考文献：

[1]韩海燕，方兴.人工智能艺术的审美思辨：谈艺术创作中“计算”限度[J].艺术与设计（理论），2022（01）：60-62.

[2]张玉函.人工智能在工业设计中的应用研究[J].专用汽车，2022（09）：69-71.

[3]刘宁，杨芳.智能互联时代的工业设计创新发展研究[J].包装工程，2021，42（14）：101-107.

[4]王威，李玉洁，郭富林，刘岩，何俊霖.生成对抗网络及其文本图像合成综述[J].计算机工程与应用，2022，58（19）：14-36.

[5]刘袆莹.工业设计在互联网大数据时代的创新与转变研究[J].艺术与设计（理论），2022（09）：109-111.

[6]陆继翔，余隋怀，陆长德.面向工业设计的智能设计体系[J].机械设计，2020，37（04）：140-144.

[7]李睿，丁要军.一种基于DCGAN的网络加密流量分类平衡方法[J].通信技术，2022，55（07）：926-934.

[8]张冀，曹艺，王亚茹，赵文清，翟永杰.融合VAE和StackGAN的零样本图像分类方法[J].智能系统学报，2022，17（03）：593-601.

[9]邓博，贺春林，徐黎明，宋兰玉.生成对抗网络文字生成图像算法综述[J].计算机工程与应用，2022，58（23）：42-55.

[10]王一凡，赵乐义，李毅.基于生成对抗网络的图像动漫风格化[J].计算机工程与应用，2022，58（18）：104-110.

[11]张彬，周粤川，张敏，李佳，张建勋，郭志刚.生成对抗网络改进角度与应用研究综述[J/OL].计算机应用研究：1-12[2022-12-30].

[12]刘鹤丹，叶汉平，徐梦真，赵旭磊.生成对抗网络研究综述[J].物联网技术，2022，12（11）：93-97.

版权声明：【除原创作品外，本平台所使用的文章、图片、视频及音乐属于原权利人所有，因客观原因，或会存在不当使用的情况，如，部分文章或文章部分引用内容未能及时与原作者取得联系，或作者名称及原始出处标注错误等情况，非恶意侵犯原权利人相关权益，敬请相关权利人谅解并与我们联系及时处理，共同维护良好的网络创作环境，联系邮箱：603971995@qq.com】