GANSpiration：在用户界面设计中使用基于风格的生成对抗网络平衡目标性和偶然性灵感

文献标题

GANSpiration: Balancing Targeted and Serendipitous Inspiration in User Interface Design with Style-Based Generative Adversarial Network

文献信息

• 主题领域: 用户界面（UI）设计灵感支持、生成对抗网络（GAN）技术应用
• 关键词: 用户界面设计, 灵感, 样式生成对抗网络（StyleGAN）, 创意支持, 设计灵感, 生成模型, 设计多样性, 视觉创意工具

研究背景与问题

• 作者发现了哪些问题或挑战？
  当前的设计灵感工具大多专注于两类方法：以设计画廊（如Dribbble与Behance）为基础的下向发散灵感探索，或基于相似性算法的目标导向设计示例检索。然而这些工具存在以下问题：

  1. 设计漂移: 在无目标的画廊浏览中，设计者可能偏离其原始目标。
  2. 设计固化: 在只参考风格相似的示例时，设计者可能被固定在一种陈旧或狭隘的思维中，从而限制设计创新。

• 为什么这个问题很重要？
  灵感对于 UI 设计的创新性与效率至关重要，但现有工具的上述限制可能妨碍专业设计师获取全面、有用的设计参考，阻碍了创意的生成。

• 研究动机与相关工作
  作者通过研究与设计师的访问，发现他们需要在获取多样性（避免设计固化）和相关性（避免设计漂移）之间找到平衡。此外，生成对抗网络（GAN）与 StyleGAN 已取得了生成高分辨率图像的显著进展，但其应用在 UI 灵感支持领域仍属早期研究。

解决方案

• 作者提出了哪些方法或解决方案？
  提出了名为 GANSpiration 的工具，利用 StyleGAN 提供既聚焦于输入设计又能引出意外灵感的设计示例。通过生成与合成新设计示例，该工具希望在目标导向与独立探索之间找到平衡。

• 该解决方案的创新之处是什么？

  1. 使用 StyleGAN 将设计输入与随机样式合成以生成多个设计示例。
  2. 在风格融合过程中调整输入设计在布局或细节层面的影响，从而生成不同粒度（粗略结构到视觉细节）的灵感设计。
  3. 结合初生成结果与真实设计截图（通过搜索）来提升实际灵感的实用性和多样性。

• 实施步骤是什么？使用了哪些关键技术？

  1. 训练模型：使用包含 58040 个 Android 应用 UI 截图的 Rico 数据集对 StyleGAN 模型进行训练。
  2. StyleGAN 架构扩展：生成并优化多种样式合成结果。
  3. 代表性示例选择：通过聚类与质量评分筛选生成的设计示例，确保输出多样性与代表性。
  4. 工具交互设计：支持设计师配置输出示例的粒度，并提供真实截图的检索功能。

研究成果

• 取得了哪些具体成果？

  1. 定量实验
     • GANSpiration 输出示例在相关性和多样性之间实现了平衡，相较于仅基于相似性或随机选择的灵感生成方法具有显著优势。
     • 在所有复杂度的输入设计中，工具在高低复杂度设计场景下表现尤为出色。
  2. 用户研究
     • 专业设计师认为 GANSpiration 能够有效激发灵感，减少设计固化，并被认为是一个实际可行的灵感支持工具。
     • StyleGAN 的风格多粒度生成能力被认为能同时支持结构、组件设计以及视觉配色等方面的灵感构建。

• 与现有解决方案相比，它有哪些优势？

  1. 同时支持目标明确的设计参考与自由探索灵感的生成。
  2. 提供了基于生成模型的独特方法，可有效避免设计固化，同时引出意外灵感。
  3. 通过对真实设计截图的检索增强了工具的实用性。

• 实验或评估结果是什么？

  • 定量结果：条件比较表明 GANSpiration 在设计相关性和多样性之间取得了平衡，同时避免过度相似性和无目标随机性。
  • **用户反馈：**设计师高度赞扬工具的潜能，尤其是在节约时间、提升创意和辅助日常设计任务上。

• 局限性与未来方向

  1. 使用的训练数据较旧（目前流行设计风格可能缺失），可能影响输出的前沿灵感能力。
  2. 仅关注静态 UI 截图，未涉及动态特性或交互信息。
  3. 用户实验样本量较少，仅在 1 个场景中集中进行评估。
  4. 未来可探索更高质量的生成模型、更广泛的设计数据集作为训练数据，并结合文本描述等传统灵感生成方法。