Iconix：在渐进式图标网格生成中控制语义与风格

文献标题

Iconix: Controlling Semantics and Style in Progressive Icon Grids Generation

出版信息

• 主题领域: 人机协作的图标设计系统。
• 关键词: 图标设计、语义丰富性、视觉复杂性、生成式人工智能、渐进抽象、人机协作、语义支架、风格一致性、创意工作流、视觉抽象。

背景与问题

• 问题/挑战: 现有的生成式人工智能工具在语义控制和风格一致性之间难以平衡，尤其是针对抽象概念。设计师在创建具有不同细节和抽象层次的统一图标集时，面临繁琐的试错过程。
• 重要性: 图标是用户界面的核心元素，需要在设备、场景和用户需求之间具有适应性。优化设计流程并保持创意控制可以提升视觉沟通的生产力和创新性。
• 动机与相关研究: 现有系统通常专注于语义组合或风格应用，但未能有效整合这两个维度。生成模型通常将语义和风格交织在一起，限制了其在结构化图标设计工作流中的实用性。本文通过引入一种生成结构化图标网格的方法，解决了这些问题，平衡了语义丰富性与视觉复杂性。

解决方案

• 提出的方法: Iconix，一个人机协作系统，通过沿两个轴线组织设计：语义丰富性和视觉复杂性，生成渐进式图标网格。
• 创新点:
  1. 一种生成渐进式图标网格的计算方法，将语义支架与渐进视觉简化相结合。
  2. 一个双轴网格界面，支持设计权衡的结构化探索。
  3. 实证验证显示减少了认知负担并增强了创意探索。
• 流程与关键技术:
  1. 语义扩展: 使用大型语言模型和知识库生成相关概念，并根据具体性和可视化性等属性进行排序。
  2. 语义支架: 构建具有分类、构成和关联维度的结构化知识表示，以指导示例生成。
  3. 渐进简化: 采用得分蒸馏采样（SDS）和语义分割技术，创建图标抽象的连续体。
  4. 风格优化: 微调生成模型，以生成在轮廓、填充和彩色格式中风格一致的图标。

结果

• 具体发现:
  • Iconix的可用性得分为79.53（基线为63.59）。
  • 在所有NASA-TLX维度上减少了认知负担，包括心理需求（2.41对比3.41）和努力程度（2.84对比4.19）。
  • 设计满意度更高，在语义丰富性（5.84对比3.75）、视觉复杂性（5.59对比3.94）和整体满意度（5.81对比4.53）方面显著提升。
• 相较基线的优势:
  • Iconix在可用性、认知负担减少、创意支持和设计满意度方面优于ChatGPT。
  • 生成了更清晰的语义进程、更好的风格一致性以及更具多样性和创造性的成果。
• 实验/评估:
  • 采用32名参与者的被试内研究，比较了Iconix与ChatGPT在两个任务中的表现：设计具体概念（“汉堡”）和抽象概念（“希望”）的图标。
  • 评估指标包括可用性（SUS）、认知工作负荷（NASA-TLX）、创意支持（CSI）和设计满意度。
• 局限性与未来工作:
  • 参与者样本量较小，限制了结果的普适性。
  • 依赖分割精度；未来迭代可以引入人机交互校正。
  • 比较集中于通用AI（ChatGPT），而非专业设计工具如Adobe Illustrator。

总结

Iconix是一个人机协作系统，支持设计师通过平衡语义丰富性和视觉复杂性生成渐进式图标网格。通过语义支架、渐进简化和风格优化，Iconix支持结构化探索并减少认知负担。一项包含32名参与者的研究表明，Iconix在可用性、创意支持和设计满意度方面优于基线工作流。该研究通过将抽象操作化为可控参数，推动了生成式人工智能领域的发展，连接了人类意图与机器能力，实现了可扩展且统一的图标设计。