InspirationGraph：用于渐进式设计空间探索的交互范式

文献标题

InspirationGraph for Progressive Design Space Exploration

出版信息

• 主题领域: 利用人工智能辅助工具增强早期设计构思。
• 关键词: 文本到图像模型、设计空间探索、发散性思维、新手设计师、认知负荷、提示工程、可视化、人机协作、创意支持工具。

背景与问题

• 问题/挑战: 现有的文本到图像（T2I）工具主要支持设计的收敛阶段，侧重于精炼和可视化，而非早期的探索性构思。这些工具依赖线性的一次性交互，并要求精确的提示工程，这既增加了认知负担，也限制了开放式探索。
• 重要性: 早期设计需要发散性思维和系统性的创意探索。当前的T2I工具未能有效支持这一阶段，尤其是对于新手设计师，他们常面临设计固化以及难以表达模糊创意意图的挑战。
• 动机与相关研究: 先前研究强调了设计空间探索的重要性以及人工智能作为创意生成伙伴的潜力。然而，现有工具缺乏支持迭代探索的结构化机制，且未能在指导性与灵活性之间取得平衡。本文通过一种全新的交互范式，专注于早期构思阶段，填补这一空白。

解决方案

• 提出的方法: InspirationGraph是一种基于维度-属性词典和树状可视化框架的原型工具，旨在支持新手设计师的渐进式设计空间探索。
• 创新点:
  1. 提出了一种基于语义属性的多维度迭代设计探索新范式。
  2. 开发了InspirationGraph，简化提示工程并交互式地可视化探索路径。
  3. 提供了关于新手设计师认知需求和与AI辅助工具交互模式的实证见解。
• 流程与关键技术:
  • 引入维度-属性词典，逐步引导提示构建。
  • 使用树状可视化组织和追踪探索路径。
  • 结合自动和手动迭代模式：自动模式通过LLM建议新维度和属性，手动模式允许用户指定输入。
  • 通过提示继承生成图像，确保迭代中的语义一致性。

结果

• 具体发现:
  • InspirationGraph显著提高了创意支持指数（CSI）得分（M = 69.11, SD = 7.64），相比基线工具（M = 58.59, SD = 7.91; p < .001）。
  • 降低了认知负荷，NASA-TLX得分更低（M = 37.89, SD = 10.38），相比基线工具（M = 52.15, SD = 9.39; p < .001）。
  • 用户生成的图像更多（M = 19.79），所需提示更少（M = 14.46），相比基线工具（图像: M = 10.71, 提示: M = 59.63; p < .001）。
• 相较基线工具的优势:
  • 增强了对发散性探索和目标导向的支持。
  • 减少了提示工程的努力，提高了可用性。
  • 可视化的探索路径促进了反思和比较。
• 实验/评估:
  • 对24名新手设计师进行了用户研究，比较InspirationGraph与基线工具。
  • 任务包括设计休闲椅和餐椅，参与者交替使用工具和任务。
  • 使用CSI、NASA-TLX和自定义的渐进式探索支持量表（PESS）进行评估。
• 局限性与未来工作:
  • 当前的T2I模型在指定多个维度时难以实现精细控制。
  • 使用的语义维度可能无法在不同设计领域中通用。
  • 未来工作应改进维度-属性选择，并提升模型在多维度组合控制方面的能力。

总结

本文介绍了InspirationGraph，这是一种通过结合结构化语义控制与树状可视化框架来支持早期设计构思的工具。该系统通过简化提示工程和可视化探索路径，降低了认知负荷，增强了发散性思维，并满足了新手设计师的需求。用户研究表明，与基线工具相比，该工具在创意支持和可用性方面显著提升。尽管T2I模型在精确性和通用性方面仍存在局限性，但本研究为将AI辅助设计工具扩展到其他创意领域奠定了基础。