探索用于抽象驱动的探索性图像着色的交互式颜色调板

文献标题

Exploring Interactive Color Palettes for Abstraction-Driven Exploratory Image Colorization

文献信息

• 主题领域: 人机交互设计与视觉计算
• 关键词: 色彩设计, 图像上色, 创造性设计, 视觉抽象, AI模型

研究背景与问题

• 问题或挑战: 当前的图像上色工具（如 Photoshop）主要采用基于具体图像区域操作的解决策略，侧重于精确制作最终成品，但在设计早期探索阶段支持不足，限制了用户的创造性发散思维。

• 重要性: 色彩设计在图形、产品、室内、时尚领域中扮演着关键角色，能够影响视觉内容的整体氛围、情感表达和观众的接受度。提升设计早期的探索性工作流可以显著增强创造力。

• 研究动机与相关工作:

  1. 抽象驱动方法之前已在形状设计和建筑规划中表现出促进创造性思维的潜力，但其在图像色彩设计中的应用仍未充分探讨。
  2. 当前研究的重点在于色彩分布的计算精度与效率优化，忽视了用户对抽象视觉信息中颜色大小和位置关系的理解。
  3. 研究提出四个核心问题：
     • RQ1: 哪些是适用于色彩设计的潜在视觉抽象设计选项？
     • RQ2: 各种抽象选项在用户交互中的优势和挑战是什么？
     • RQ3: 抽象驱动操作如何影响色彩设计的构思过程？
     • RQ4: 不同抽象选项如何影响用户对颜色构成的感知？

解决方案

• 提出方法:

  1. 开发名为 Mondrian 的系统，赋予用户交互性色彩抽象能力。
  2. 系统使用三种格式的色彩调色板（1D均匀、1D比例、2D空间），并结合 AI模型完成图像再着色任务。

• 创新之处:

  1. 将抽象驱动与人工智能结合，用户主要关注视觉抽象设计，AI处理具体图像区域的着色。
  2. 设计多层次的调色板交互方式（1D和2D），支持全球和局部几何层面的色彩探索。

• 实施步骤与关键技术:

  1. 调色板提取：
     • 使用 k-Means 聚类从图像中提取主要颜色。
     • 通过 SLIC算法生成2D空间调色板，保留颜色的比例与像素位置。
  2. 人工智能再着色模块：
     • 通过预训练的 HistoGAN模型优化色彩分布与比例。
     • 采用 Zhang et al. 的深度学习方法处理空间关联以实现高质量图像再着色。
  3. 用户交互界面设计：
     • 包括结果预览、调色板编辑、和书签追踪面板以支持用户迭代设计。

研究成果

• 具体成果:

  • Mondrian 系统促进了用户更具创造力的探索，打破线性工作流程，为设计构思提供了开放性支持。
  • 实验显示不同抽象调色板格式对用户的直觉性、表现力和创意支持各具特色，例如：
    • 1D+格式支持比例细化。
    • 2D格式更适合处理区域明确的图像，强调空间感。

• 优势与对比:

  • 与 Photoshop 比较：Mondrian 更简易且适合设计早期探索，支持非线性工作流；然而，在精确性和复杂调色上，Photoshop表现更为优异。
  • 创造力指数（CSI）分析表明 Mondrian 在探索性、沉浸感、结果回报及协作便利性上有显著优势。

• 实验或评估结果:

  1. 用户研究：通过12名参与者完成两项任务显示 Mondrian 提供了更多创意支持，同时揭示各抽象调色板的使用特点。
  2. 调查研究：对色彩组合的审美质量、情绪指标进行了系统评估，发现比例和空间放置的结合对人类色彩感知影响显著。

• 局限性与未来方向:

  • 局限性：
    • 当前系统的颜色数量范围有限，且无法实时预览。
    • 调研主要基于对色彩理论不熟悉的普通用户，未覆盖专家级设计师。
  • 未来方向：
    • 探索更高级或动态的调色板可视化设计。
    • 为调色板引入层次结构以丰富细腻的控制。
    • 优化抽象与具体交互的映射机制以提高用户设计精度。