FlatMagic：通过AI驱动的设计改进数字漫画专业人士的平涂上色

文献标题

FlatMagic: Improving Flat Colorization through AI-driven Design for Digital Comic Professionals

文献信息

• 主题领域: 人工智能与人机交互设计在数字漫画创作领域的应用
• 关键词: 人机协作、专业系统、数字漫画上色、中间表达、自动化与控制、人机交互

研究背景与问题

• 发现的问题或挑战:

  • 数字漫画的上色过程包含了多个阶段，其中“flatting（平涂）”阶段最为耗时枯燥，但后续的阴影、灯光和特效阶段更需要创意性处理。
  • 现有的人工智能自动化色彩填充工具（如全自动图像上色技术）在专业领域的应用中存在缺陷，尤其是在交互式控制和质量管理方面。这些工具缺乏使人类修订中间结果的能力。
  • 扁平化处理平面漫画分割区段（称为"segments"）对后续各阶段的上色质量有关键影响，但人工处理该过程劳动密集且单调乏味。

• 重要性:

  • 改进平涂环节的自动化，有助于减少漫画行业的劳动强度，提升整体创作效率，从而给予艺术家更多时间和空间发展创意性环节。
  • 人工智能与人类的协作工具开发在数字创作领域是非常实际且产业迫切需要的方向。

• 研究动机与相关工作:

  • 基于现有自动化色彩填充工具的弱点，该研究提出专注于平涂阶段的中间自动化，帮助现有专业流程，而非用包含每阶段的全自动方案去取代专业流程。
  • 在过往研究中很少对专业漫画上色流程中的具体阶段展开细致分析，或者提供能够被实际采纳的切实工具。

解决方案

• 提出的方法或解决方案:

  • 设计开发了一款名为 FlatMagic 的工具，定位于改善数字漫画平涂环节的人机协同工具。该工具是一个嵌入 Photoshop 的插件，为专业漫画艺术家提供高效率的平涂自动化支持。
  • FlatMagic 结合了一个高性能的后端神经网络模型（"neural re-drawing model"），提供准确的初步分割段（"segments"），并具有进一步的手动调整能力以便质控。

• 创新之处:

  • 提出中间表达框架概念：将自动化聚焦于流程重点阶段（即漫画平涂），避免了将整个色彩化流程完全交给 AI 的“过度自动化”风险。
  • 开发了一种专注于增强平涂精度的神经网络模型，特别解决分辨率限制与色彩溢出现象。
  • 结合了 AI 技术的灵活性与确定性算法（如填充算法）的鲁棒性，弥补单一方法的缺陷。
  • 设计符合专业生产工具的插件形式，易于被现有工作流采纳。

• 实施步骤及关键技术:

  • 首先，通过用户调查确定漫画艺术家在平涂过程中遇到的主要困难。
  • 依据用户习惯设计交互式工具界面，模拟 Photoshop 的现有工具操作，使用户能够轻松调整分割段。
  • 通过训练数据集实现 Neuron Re-drawing 模型，使其能够在高分辨率图像上分段。
  • 提供对模型结果的多种手动操作选项，包括重新绘制边界和局部区域扁平化等功能。

研究成果

• 具体成果:

  • 实验表明，艺术家使用 FlatMagic 可以在漫画平涂阶段将时间成本降低约 28%，并显著提升对工具自动化能力的信任度和满意度。
  • 专业艺术家反馈认为，工具平衡了“自动化”与“可控性”的需求，呈现“适度自动化”的特性。

• 与现有解决方案比较的优势:

  • 避免了现有工具将上色过程“过分整合”为一个全自动步骤所引发的用户反馈差问题。
  • 更适配高分辨率的专业漫画场景，减少了因溢出或分辨率问题导致的重绘需求。

• 实验或评估结果:

  • 在正式实验（学生群体）中，表现出更快的工作效率和更低的感知负担。
  • 在部署实验（专业艺术家）中，工具使用具较高接受度，部分专业人士表示愿意将其纳入实际工作流。

• 局限性与未来方向:

  • 当前模型仍可能对打开的边界分割结果表现不佳，需改进分割精度及可控性。
  • 未来可探索将自动化扩展至阴影、灯光效应等更高创意性需求的部分。
  • 研究“跨面板批量处理”和“语义标签”功能，以进一步减少多图场景的重复劳动。

总结

FlatMagic 成功作为人机协作工具的实践范例，设计与实现了针对数字漫画领域的 AI 支持工具。研究表明，在专业化工作流的背景中，合理设计中间表示和局部自动化可以有效平衡用户满意度与技术实用性。