CN112837332A - 创意设计的生成方法、装置、终端、存储介质及处理器 - Google Patents

创意设计的生成方法、装置、终端、存储介质及处理器 Download PDF

Info

Publication number
CN112837332A
CN112837332A CN202110041622.9A CN202110041622A CN112837332A CN 112837332 A CN112837332 A CN 112837332A CN 202110041622 A CN202110041622 A CN 202110041622A CN 112837332 A CN112837332 A CN 112837332A
Authority
CN
China
Prior art keywords
design
user
data
creative
gas
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202110041622.9A
Other languages
English (en)
Other versions
CN112837332B (zh
Inventor
苗奘
宁帅臣
张鑫
席子扬
李格
蔡庆辉
胡美梦
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hangzhou Jellyfish Intelligent Technology Co ltd
Original Assignee
Hangzhou Jellyfish Intelligent Technology Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Hangzhou Jellyfish Intelligent Technology Co ltd filed Critical Hangzhou Jellyfish Intelligent Technology Co ltd
Priority to CN202110041622.9A priority Critical patent/CN112837332B/zh
Publication of CN112837332A publication Critical patent/CN112837332A/zh
Application granted granted Critical
Publication of CN112837332B publication Critical patent/CN112837332B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/28—Databases characterised by their database models, e.g. relational or object models
    • G06F16/283—Multi-dimensional databases or data warehouses, e.g. MOLAP or ROLAP
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10004—Still image; Photographic image

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Multimedia (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Processing Or Creating Images (AREA)

Abstract

本发明公开了一种创意设计的生成方法、装置、终端、存储介质及处理器，该方法包括：获取设计素材集，并根据所述设计素材集沉淀出形色意数据；所述形色意数据，是能够满足基本创意设计所需的图片元素库；获取使用者的输入信息，并根据所述输入信息确定两个以上维度的数据标签；所述两个以上维度的数据标签，是能够满足所述使用者的目标创意设计的设计需求；根据所述形色意数据、以及所述两个以上维度的数据标签，生成所述使用者的目标创意设计。本发明的方案，可以至少解决重复性的设计需求增加了人力成本的问题，达到降低人力成本的效果。

Description

创意设计的生成方法、装置、终端、存储介质及处理器
技术领域
本发明属于计算机技术领域，具体涉及一种创意设计的生成方法、装置、终端、存储介质及处理器，尤其涉及智能化创意设计输出方法、装置、终端、存储介质及处理器。
背景技术
在互联网技术的飞速发展的背景下，市场上设计需求的急剧增加，公司需要花费大量的时间和人力成本在重复性的设计需求上，导致公司的人力成本增加。
上述内容仅用于辅助理解本发明的技术方案，并不代表承认上述内容是现有技术。
发明内容
本发明的目的在于，提供一种创意设计的生成方法、装置、终端、存储介质及处理器，以至少解决重复性的设计需求增加了人力成本的问题，达到降低人力成本的效果。
本发明提供一种创意设计的生成方法，包括：获取设计素材集，并根据所述设计素材集沉淀出形色意数据；所述形色意数据，是能够满足基本创意设计所需的图片元素库；获取使用者的输入信息，并根据所述输入信息确定两个以上维度的数据标签；所述两个以上维度的数据标签，是能够满足所述使用者的目标创意设计的设计需求；根据所述形色意数据、以及所述两个以上维度的数据标签，生成所述使用者的目标创意设计。
可选地，其中，所述根据所述设计素材沉淀出形色意数据，包括：对所述设计素材集中设计图案的图案信息进行图像变换处理，得到图片元素集；对所述图片元素集进行图像识别处理，得到所述图片元素集中每个图片的图片关键词和图片风格特征；对所述图片元素集中每个图片的图片关键词和图片风格特征进行沉淀，得到所述设计素材的形色意数据；和/或，所述根据所述输入信息确定两个以上维度的数据标签，包括：对所述输入信息进行中文分词处理，得到所述使用者的设计需求关键词和设计需求理念；对所述设计需求关键词和所述设计需求理念进行自然语音处理，得到两个维度以上的数据标签；和/或，所述生成所述使用者的目标创意设计，包括：利用设定算法，根据所述所述形色意数据、以及所述两个以上维度的数据标签生成所述使用者的设计需求所对应的目标产品的设计意涵；根据所述设计意涵，生成不同规格的产品交付包以供所述使用者选择，并将所述不同规格的产品交付包作为所述使用者的目标创意设计。
可选地，其中，所述输入信息，包括：名字、行业、标语、口号、业务描述中的至少之一；和/或，所述两个以上维度的数据标签，包括：适合所述使用者的设计需求的颜色、形状、颜色与形状的组合关系中的至少两个；和/或，所述图案信息，包括：颜色、线条、透明度、蒙版、衬底、角度、线条中的至少一种信息；和/或，所述图片关键词，包括：特征、适用行业、风格、适用人群；和/或，所述图片风格特征，包括：对称、阵列、镂空、局部切除、和/或圆角端点。
可选地，其中，所述对所述设计素材集中设计图案的图案信息进行图像变换处理，包括：对所述设计素材集中每张矢量图中设计图案的图案信息进行蒙版或滤镜处理后，再进行坐标变化，得到批量成品矢量工艺图；或者，对所述设计素材集中每张位图中设计图案的图案信息进行高斯滤波、边缘检测、图像二值化、轮廓检测和聚类取点处理，得到批量成品矢量工艺图；基于所述批量成品矢量工艺图利用神经网络提取到设定维度特征，并利用SIFT特征检测法得到SIFT特征向量；将所述设定维度特征和所述SIFT特征向量进行合并数组处理后，再互求预先距离得到相似度图形序列，作为所述图片元素集；和/或，利用设定算法，根据所述所述形色意数据、以及所述两个以上维度的数据标签生成所述使用者的设计需求所对应的目标产品的设计意涵，包括：根据所述两个以上维度的数据标签，在所述所述形色意数据中检索到创意图形后，利用模型搭建和特征工程生成所述使用者的设计需求所对应的目标产品的设计意涵。
与上述方法相匹配，本发明另一方面提供一种创意设计的生成装置，包括：沉淀单元，用于获取设计素材集，并根据所述设计素材集沉淀出形色意数据；所述形色意数据，是能够满足基本创意设计所需的图片元素库；输入单元，用于获取使用者的输入信息，并根据所述输入信息确定两个以上维度的数据标签；所述两个以上维度的数据标签，是能够满足所述使用者的目标创意设计的设计需求；生成单元，用于根据所述形色意数据、以及所述两个以上维度的数据标签，生成所述使用者的目标创意设计。
可选地，其中，所述沉淀单元根据所述设计素材沉淀出形色意数据，包括：对所述设计素材集中设计图案的图案信息进行图像变换处理，得到图片元素集；对所述图片元素集进行图像识别处理，得到所述图片元素集中每个图片的图片关键词和图片风格特征；对所述图片元素集中每个图片的图片关键词和图片风格特征进行沉淀，得到所述设计素材的形色意数据；和/或，所述输入单元根据所述输入信息确定两个以上维度的数据标签，包括：对所述输入信息进行中文分词处理，得到所述使用者的设计需求关键词和设计需求理念；对所述设计需求关键词和所述设计需求理念进行自然语音处理，得到两个维度以上的数据标签；和/或，所述生成单元生成所述使用者的目标创意设计，包括：利用设定算法，根据所述所述形色意数据、以及所述两个以上维度的数据标签生成所述使用者的设计需求所对应的目标产品的设计意涵；根据所述设计意涵，生成不同规格的产品交付包以供所述使用者选择，并将所述不同规格的产品交付包作为所述使用者的目标创意设计。
可选地，其中，所述输入信息，包括：名字、行业、标语、口号、业务描述中的至少之一；和/或，所述两个以上维度的数据标签，包括：适合所述使用者的设计需求的颜色、形状、颜色与形状的组合关系中的至少两个；和/或，所述图案信息，包括：颜色、线条、透明度、蒙版、衬底、角度、线条中的至少一种信息；和/或，所述图片关键词，包括：特征、适用行业、风格、适用人群；和/或，所述图片风格特征，包括：对称、阵列、镂空、局部切除、和/或圆角端点。
可选地，其中，所述沉淀单元对所述设计素材集中设计图案的图案信息进行图像变换处理，包括：对所述设计素材集中每张矢量图中设计图案的图案信息进行蒙版或滤镜处理后，再进行坐标变化，得到批量成品矢量工艺图；或者，对所述设计素材集中每张位图中设计图案的图案信息进行高斯滤波、边缘检测、图像二值化、轮廓检测和聚类取点处理，得到批量成品矢量工艺图；基于所述批量成品矢量工艺图利用神经网络提取到设定维度特征，并利用SIFT特征检测法得到SIFT特征向量；将所述设定维度特征和所述SIFT特征向量进行合并数组处理后，再互求预先距离得到相似度图形序列，作为所述图片元素集；和/或，所述生成单元利用设定算法，根据所述所述形色意数据、以及所述两个以上维度的数据标签生成所述使用者的设计需求所对应的目标产品的设计意涵，包括：根据所述两个以上维度的数据标签，在所述所述形色意数据中检索到创意图形后，利用模型搭建和特征工程生成所述使用者的设计需求所对应的目标产品的设计意涵。
与上述装置相匹配，本发明再一方面提供一种终端，包括：以上所述的创意设计的生成装置。
与上述方法相匹配，本发明再一方面提供一种存储介质，所述存储介质包括存储的程序，其中，在所述程序运行时控制所述存储介质所在设备执行以上所述的创意设计的生成方法。
与上述方法相匹配，本发明再一方面提供一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行以上所述的创意设计的生成方法。
由此，本发明的方案，通过预先根据大量设计素材沉淀出形色意数据，根据用户输入信息分析得到适合用户的多维度数据标签，结合形色意数据和多维度数据标签确定适合该用户的创意设计，至少解决重复性的设计需求增加了人力成本的问题，达到降低人力成本的效果。
本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
图1为本发明的创意设计的生成方法的一实施例的流程示意图；
图2为本发明的方法中根据所述设计素材沉淀出形色意数据的一实施例的流程示意图；
图3为本发明的方法中根据所述输入信息确定两个以上维度的数据标签的一实施例的流程示意图；
图4为本发明的方法中生成所述使用者的目标创意设计的一实施例的流程示意图；
图5为本发明的方法中对所述设计素材集中设计图案的图案信息进行图像变换处理的一实施例的流程示意图；
图6为本发明的创意设计的生成装置的一实施例的结构示意图；
图7为创意设计输出过程的一实施例的流程示意图；
图8为创意设计输出过程的另一实施例的流程示意图；
图9为矢量图工艺生成流程的一实施例的流程示意图；
图10为位图工艺生成流程的一实施例的流程示意图；
图11为图形相似度计算流程的一实施例的流程示意图；
图12为创意设计输出时所采用工艺的流程示意图。
结合附图，本发明实施例中附图标记如下：
102-沉淀单元；104-输入单元；106-生成单元。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明具体实施例及相应的附图对本发明技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
根据本发明的实施例，提供了一种创意设计的生成方法，如图1所示本发明的方法的一实施例的流程示意图。该创意设计的生成方法可以应用在等平面、logo、海报、banner图等设计需求的创意设计的生成方法，可以包括：步骤S110至步骤S130。
在步骤S110处，获取设计素材集，并根据所述设计素材集沉淀出形色意数据。所述形色意数据，是能够满足基本创意设计所需的图片元素库。其中，基本创意设计，可以作为通用创意设计。
可选地，可以结合图2所示本发明的方法中根据所述设计素材沉淀出形色意数据的一实施例流程示意图，进一步说明步骤S110中根据所述设计素材沉淀出形色意数据的具体过程，可以包括：步骤S210至步骤S230。
步骤S210，对所述设计素材集中设计图案的图案信息进行图像变换处理，得到图片元素集。
例如：获取设计素材，对设计素材中设计图案的颜色、线条、透明度、蒙版、角度、线条等进行处理，得到海量设计素材。具体地，获取设计师的设计素材，对设计师设计素材中设计图案的颜色、线条、透明度、蒙版、底衬的各维度进行变换处理，生成大量的图片元素，得到海量设计素材。
其中，所述图案信息，可以包括：颜色、线条、透明度、蒙版、衬底、角度、线条中的至少一种信息。
例如：准备创意素材，并将准备的创意素材利用工艺生成大量素材。将原始图案元素进行图像变换，批量生成新元素的过程我们称之为工艺制作。一个元素经过工艺变换后，能产生视觉和含义上的多样变化，并且尽可能适可以用于更多地行业领域为最佳。svg蒙版会变换对象的透明度。如果蒙版是不透明度的，被蒙版覆盖的对象的像素就是不透明的。如果蒙版是半透明的，那么对象就是半透明的，蒙版的透明部分会使被覆盖的对象相应部分不可见。滤镜的种类有很多，它们可以生成模糊的投影，加粗线条或者让线条辨析，给绘图添加纹理，或者让对象看上去像浮雕或者倾斜。
由此，通过多种形式的图案信息，有利于提升对通用创意设计确定的精准性和丰富性。
更可选地，结合图5所示本发明的方法中对所述设计素材集中设计图案的图案信息进行图像变换处理的一实施例流程示意图，进一步说明步骤S210中对所述设计素材集中设计图案的图案信息进行图像变换处理的具体过程，可以包括：步骤S510至步骤S530。
步骤S510，对所述设计素材集中每张矢量图中设计图案的图案信息进行蒙版或滤镜处理后，再进行坐标变化，得到批量成品矢量工艺图。例如：通过图像变换，将设计师设计的矢量图批量生成新的矢量图，每张图片经过处理，达到1：N的生成效果。设计师设计出合适的艺术手法(如碰撞、重叠、阴阳转换、古章、越框、以及相同元素碰撞等)，然后通过计算机将矢量图叠加此类工艺，对矢量图的形状、颜色、纹理、线条等进行处理，生成全新的矢量图，进而保证生成的设计元素的原创性和合法性，保证交付给用户的设计文件不会引起产权纠纷，又可以大批量的生成不同的设计元素来满足众多的客户的需求。
或者，
对所述设计素材集中每张位图中设计图案的图案信息进行高斯滤波、边缘检测、图像二值化、轮廓检测和聚类取点处理，得到批量成品矢量工艺图。例如：位图这种像素级别的图像处理技术更为成熟。例如，在我们开发的速度线工艺中，首先为了检测图像中的所有具象物体，第一步需要做边缘检测。滤波部分选用高斯滤波器，会对输入数组进行规范化的高斯核滤波，通过数值为高斯分布的ksize维度核对原图进行滑动滤波，由于图像中的噪声也是高频信号，所以使用高斯滤波对高斯噪声进行消除对边缘检测至关重要。通过与未经高斯滤波的图像对比可以发现，后者会检测出10-100倍的噪声边缘，对下一步外轮廓检测带来一定困难。计算梯度选用一阶微分边缘算子也称为梯度边缘算子，即是利用图像在边缘处的阶跃性，即图像梯度在边缘取得极大值的特性进行边缘检测。之后进行图像二值化，为接下来轮廓检测做准备。轮廓检测需要考虑logo本身的连通性，通过固定参数(如检索模式mode、近似方法method、point偏移量、迭代向量等)检测到的轮廓数，可以定性的表征连通性，轮廓数越大代表连通性越差。对于连通性佳的logo直接阈值筛选出最大轮廓，视速度线效果要求，对轮廓上所有同相位坐标值进行提取排序，再进行均值取点、递增取点、非监督学习聚类取点等方式，定位速度线基点，获得不同感受的视觉效果。对于连通性差的logo，采用opencv中CV_RETR_TREE模式，检测所有轮廓，对所有轮廓建立一个等级树结构，对树内同相位坐标值进行去重排序，这样可以防止基点定位到非联通区域。
步骤S520，基于所述批量成品矢量工艺图利用神经网络提取到设定维度特征，并利用SIFT特征检测法得到SIFT特征向量。
步骤S530，将所述设定维度特征和所述SIFT特征向量进行合并数组处理后，再互求预先距离得到相似度图形序列，作为所述图片元素集。
例如：利用resnet神经网络进行特征提取，得到深度特征。利用SIFT算子进行特征检测，得到关键点特征。根据深度特征和关键点特征，生成图片后，进行余弦相似度处理，得到相似图形排序结果。resnet提取到的N维特征可以有多种用途。后接全连接层可进行工艺元素针对多角度的多分类，辅助工艺筛选入库。与此同时，再对图像进行SIFT特征检测，利用DOG高斯差分函数得到候选点，对候选点进行插值拟合得到精确关键点，得到关键点组成的SIFT特征向量。进而，可以将SIFT特征向量与resnet提取到的N维特征进行concat(即合并数组)，互相求余弦距离可以得到工艺元素相似度的近似表征，是对传统特征检测算法与基于神经网络的深度学习算法的一次创新性结合，取得了显著效果。通过工艺处理，可以无限制的生成创意图形，为下一步的数据沉淀做准备。
由此，通过利用神经网络提取到设定维度特征，并利用SIFT特征检测法得到SIFT特征向量，可以提升所得图片元素集的精准性和丰富性。
步骤S220，对所述图片元素集进行图像识别处理，得到所述图片元素集中每个图片的图片关键词和图片风格特征。
步骤S230，对所述图片元素集中每个图片的图片关键词和图片风格特征进行沉淀，得到所述设计素材的形色意数据。
例如：利用图像识别算法，对海量设计素材进行图像识别，得到海量设计素材中每个图片的关键词和风格特征。进而根据每个图片的关键词和风格特征，沉淀出设计素材的形、色、意数据。
由此，通过对大量设计素材进行处理得到设计方面的形色意数据，可以作为通用创意设计的素材，有利于提升在有用户需求时基于用户需求生成目标创意设计的便捷性和效率。
其中，所述图片关键词，可以包括：特征、适用行业、风格、适用人群。
例如：获取到用户输入的信息(如名称、行业、描述、slogan等)，通过elasticsearch的analysis-ik分词器获取到用户的关键词(如特征、适用行业、风格、适用人群等)，结合形色意的数据沉淀，匹配出适合用户的颜色、形状、组合方式。
由此，通过多种形式的图片关键词，有利于提升对通用创意设计确定的精准性和丰富性。
所述图片风格特征，可以包括：对称、阵列、镂空、局部切除、和/或圆角端点。
例如：具体地，在得到海量设计素材之后，通过图像识别分析出图片的风格特征(如对称、阵列、镂空、局部切除、圆角端点等)和关键词，沉淀出设计方面的形色意数据。
由此，通过多种形式的图片风格特征，有利于提升对通用创意设计确定的精准性和丰富性。
在步骤S120处，获取使用者的输入信息，并根据所述输入信息确定两个以上维度的数据标签。所述两个以上维度的数据标签，是能够满足所述使用者的目标创意设计的设计需求。
可选地，可以结合图3所示本发明的方法中根据所述输入信息确定两个以上维度的数据标签的一实施例流程示意图，进一步说明步骤S120中根据所述输入信息确定两个以上维度的数据标签的具体过程，可以包括：步骤S310和步骤S320。
步骤S310，对所述输入信息进行中文分词处理，得到所述使用者的设计需求关键词和设计需求理念。
其中，所述输入信息，可以包括：名字、行业、标语、口号、业务描述中的至少之一。
例如：可以用于logo的自动生成时，对于logo业务，用户输入名字、行业、slogan(即标语或口号)，业务描述，通过elasticsearch分词器和NLP获取用户的用户画像和特性，结合沉淀出的形色意艺术设计数据，生成符合用户的logo。
由此，通过多种形式的输入信息，有利于提升对用户的设计需求确定的精准性。
步骤S320，对所述设计需求关键词和所述设计需求理念进行自然语音处理，得到两个维度以上的数据标签。
例如：获取用户输入信息，利用analysis-ik分词器(即一款中文的分词插件，支持自定义词库)，分析出用户的品牌信息关键词和理念。再对用户的品牌信息关键词和理念进行NLP(Natural Language Processing，自然语言处理)语义化联想处理，得到多维度的数据标签。具体地，根据用户输入的品牌名称、品牌标语、品牌描述等用户输入信息，通过elasticsearch(即一个基于Lucene的搜索服务)的analysis-ik分词器、以及NLP算法，分析出适合用户的颜色、形状、组合关系等多维度的数据标签。
由此，通过对用户的输入信息进行中文分词处理和自然语音处理，得到适合所述使用者的设计需求的颜色、形状、颜色与形状的组合关系等，可以精确且高效地确定用户的设计需求。
其中，所述两个以上维度的数据标签，可以包括：适合所述使用者的设计需求的颜色、形状、颜色与形状的组合关系中的至少两个。
例如：通过分析了上百万个图案的图形结构、颜色、风格等多维度的数据，沉淀出符合不同行业、不同颜色、不同类别的设计数据。通过NLP和ES分词器，结合用户的输入信息，通过elasticsearch的analysis-ik分词器，以及结合中文分词将用户输入进行分词，提取出用户的关键词，分析每个关键词的词性，以及对比事先入库的无用词，将这批关键词进行过滤处理，进一步的结合NLP自然语言处理，拿到更加精准的关键词，基于elasticsearch中的TF-IDF打分模型，能够搜索到最贴近用户的元素，分析出符合用户需求的创意图形。
由此，通过多种形式的数据标签，有利于提升对用户的目标创意设计确定的精准性。
在步骤S130处，根据所述形色意数据、以及所述两个以上维度的数据标签，生成所述使用者的目标创意设计。
由此，通过艺术手法(碰撞、重叠、阴阳转换、古章、越狂等)，对图案的形状、颜色、纹理、线条等进行处理，生成了大量的图形元素，替代了设计师重复性的劳动设计，降低设计成本和人力成本。也解决了市场上自动生成图案原创性的问题，还为设计数据沉淀提供了素材准备。
可选地，可以结合图4所示本发明的方法中生成所述使用者的目标创意设计的一实施例流程示意图，进一步说明步骤S130中生成所述使用者的目标创意设计的具体过程，可以包括：步骤S410和步骤S420。
步骤S410，利用设定算法，根据所述所述形色意数据、以及所述两个以上维度的数据标签生成所述使用者的设计需求所对应的目标产品的设计意涵。
更可选地，步骤S410中利用设定算法，根据所述所述形色意数据、以及所述两个以上维度的数据标签生成所述使用者的设计需求所对应的目标产品的设计意涵，可以包括：根据所述两个以上维度的数据标签，在所述所述形色意数据中检索到创意图形后，利用模型搭建和特征工程生成所述使用者的设计需求所对应的目标产品的设计意涵。
例如：用户端根据用户输入检索出到创意图形后，其展示规则和展示顺序与用户行为息息相关，为了达到千人千面的个性化展示效果，需要引入推荐系统算法。其中，推荐系统技术在本发明中的应用，可以分为模型搭建和特征工程两部分。
例如：特征工程部分，对离散特征如“模板id”、“元素风格”、“字体类型”等特征进行独热编码one-hot(即比较常用的文本特征特征提取的方法)，对元素主色、副色、第三色三种menggban(即蒙版)特征进行加权重的mult-hot编码(是特征向量化的一种方式，无论是标签，还是属性的特征值，都是这样处理)。对于连续型特征采取聚类分箱的离散化处理。对于用户输入关键词和元素标签，进行了word2vec词向量训练，并将训练得到的每个用户多个等长词向量embeding进行求平均作为特征。
例如：模型方面，召回层选用多种召回，将行为协同过滤，与搜索技术提供的行业筛选、关键词匹配结果进行结合，完成多种方式召回。由于多种召回的每一部分颗粒度和量纲不同，使互相之间无法直接比较从而进行排序，需要对召回结果进行下一步精确排序。在FM特征交叉的基础上，引入GBDT梯度提升树预训练，抽取一组抽象特征并入原始特征、FM交叉特征中，实现了更高阶的特征组合。
由此，通过结合模型搭建和特征工程等推荐算法，可以提升目标创意设计生成的效率和精准性。
步骤S420，根据所述设计意涵，生成不同规格的产品交付包以供所述使用者选择，并将所述不同规格的产品交付包作为所述使用者的目标创意设计。
例如：根据之前沉淀出的形色意数据、以及多维度的数据标签，结合推荐算法，实现产品的设计意涵，提高创意的准确率。最后根据匹配出的创意设计，生成不同规格、不同尺寸的产品包交付给用户。
例如：根据数据沉淀得到的结果，结合用户输入信息，进行ES(即elasticsearch)和NLP处理后，输出创意设计，得到产品交付包，可以智能输出创意设计，生成创意的效率高。且用户可以根据喜好进行选择，用户体验好。
由此，通过智能匹配和推荐算法，给用户生成合适的创意设计。智能生成创意设计的方案极大地提高了设计效率，降低设计成本，并更能契合用户的设计需求。
经大量的试验验证，采用本实施例的技术方案，通过预先根据大量设计素材沉淀出形色意数据，根据用户输入信息分析得到适合用户的多维度数据标签，结合形色意数据和多维度数据标签确定适合该用户的创意设计，可以降低需求方的人力成本，提高运营效率。
根据本发明的实施例，还提供了对应于创意设计的生成方法的一种创意设计的生成装置。参见图6所示本发明的装置的一实施例的结构示意图。该创意设计的生成装置可以应用在等平面、logo、海报、banner图等设计需求的创意设计的生成装置，可以包括：沉淀单元102、输入单元104和生成单元106。
在一个可选例子中，沉淀单元102，可以用于获取设计素材集，并根据所述设计素材集沉淀出形色意数据。所述形色意数据，是能够满足基本创意设计所需的图片元素库。其中，基本创意设计，可以作为通用创意设计。该沉淀单元102的具体功能及处理参见步骤S110。
可选地，所述沉淀单元102根据所述设计素材沉淀出形色意数据，可以包括：
所述沉淀单元102，具体还可以用于对所述设计素材集中设计图案的图案信息进行图像变换处理，得到图片元素集。该沉淀单元102的具体功能及处理还参见步骤S210。
例如：获取设计素材，对设计素材中设计图案的颜色、线条、透明度、蒙版、角度、线条等进行处理，得到海量设计素材。具体地，获取设计师的设计素材，对设计师设计素材中设计图案的颜色、线条、透明度、蒙版、底衬的各维度进行变换处理，生成大量的图片元素，得到海量设计素材。
其中，所述图案信息，可以包括：颜色、线条、透明度、蒙版、衬底、角度、线条中的至少一种信息。
例如：准备创意素材，并将准备的创意素材利用工艺生成大量素材。将原始图案元素进行图像变换，批量生成新元素的过程我们称之为工艺制作。一个元素经过工艺变换后，能产生视觉和含义上的多样变化，并且尽可能适可以用于更多地行业领域为最佳。svg蒙版会变换对象的透明度。如果蒙版是不透明度的，被蒙版覆盖的对象的像素就是不透明的。如果蒙版是半透明的，那么对象就是半透明的，蒙版的透明部分会使被覆盖的对象相应部分不可见。滤镜的种类有很多，它们可以生成模糊的投影，加粗线条或者让线条辨析，给绘图添加纹理，或者让对象看上去像浮雕或者倾斜。
由此，通过多种形式的图案信息，有利于提升对通用创意设计确定的精准性和丰富性。
更可选地，所述沉淀单元102对所述设计素材集中设计图案的图案信息进行图像变换处理，可以包括：
所述沉淀单元102，具体还可以用于对所述设计素材集中每张矢量图中设计图案的图案信息进行蒙版或滤镜处理后，再进行坐标变化，得到批量成品矢量工艺图。例如：通过图像变换，将设计师设计的矢量图批量生成新的矢量图，每张图片经过处理，达到1：N的生成效果。设计师设计出合适的艺术手法(如碰撞、重叠、阴阳转换、古章、越框、以及相同元素碰撞等)，然后通过计算机将矢量图叠加此类工艺，对矢量图的形状、颜色、纹理、线条等进行处理，生成全新的矢量图，进而保证生成的设计元素的原创性和合法性，保证交付给用户的设计文件不会引起产权纠纷，又可以大批量的生成不同的设计元素来满足众多的客户的需求。或者，
所述沉淀单元102，具体还可以用于对所述设计素材集中每张位图中设计图案的图案信息进行高斯滤波、边缘检测、图像二值化、轮廓检测和聚类取点处理，得到批量成品矢量工艺图。该沉淀单元102的具体功能及处理还参见步骤S510。例如：位图这种像素级别的图像处理技术更为成熟。例如，在我们开发的速度线工艺中，首先为了检测图像中的所有具象物体，第一步需要做边缘检测。滤波部分选用高斯滤波器，会对输入数组进行规范化的高斯核滤波，通过数值为高斯分布的ksize维度核对原图进行滑动滤波，由于图像中的噪声也是高频信号，所以使用高斯滤波对高斯噪声进行消除对边缘检测至关重要。通过与未经高斯滤波的图像对比可以发现，后者会检测出10-100倍的噪声边缘，对下一步外轮廓检测带来一定困难。计算梯度选用一阶微分边缘算子也称为梯度边缘算子，即是利用图像在边缘处的阶跃性，即图像梯度在边缘取得极大值的特性进行边缘检测。之后进行图像二值化，为接下来轮廓检测做准备。轮廓检测需要考虑logo本身的连通性，通过固定参数(如检索模式mode、近似装置method、point偏移量、迭代向量等)检测到的轮廓数，可以定性的表征连通性，轮廓数越大代表连通性越差。对于连通性佳的logo直接阈值筛选出最大轮廓，视速度线效果要求，对轮廓上所有同相位坐标值进行提取排序，再进行均值取点、递增取点、非监督学习聚类取点等方式，定位速度线基点，获得不同感受的视觉效果。对于连通性差的logo，采用opencv中CV_RETR_TREE模式，检测所有轮廓，对所有轮廓建立一个等级树结构，对树内同相位坐标值进行去重排序，这样可以防止基点定位到非联通区域。
所述沉淀单元102，具体还可以用于基于所述批量成品矢量工艺图利用神经网络提取到设定维度特征，并利用SIFT特征检测法得到SIFT特征向量。该沉淀单元102的具体功能及处理还参见步骤S520。
所述沉淀单元102，具体还可以用于将所述设定维度特征和所述SIFT特征向量进行合并数组处理后，再互求预先距离得到相似度图形序列，作为所述图片元素集。该沉淀单元102的具体功能及处理还参见步骤S530。
例如：利用resnet神经网络进行特征提取，得到深度特征。利用SIFT算子进行特征检测，得到关键点特征。根据深度特征和关键点特征，生成图片后，进行余弦相似度处理，得到相似图形排序结果。resnet提取到的N维特征可以有多种用途。后接全连接层可进行工艺元素针对多角度的多分类，辅助工艺筛选入库。与此同时，再对图像进行SIFT特征检测，利用DOG高斯差分函数得到候选点，对候选点进行插值拟合得到精确关键点，得到关键点组成的SIFT特征向量。进而，可以将SIFT特征向量与resnet提取到的N维特征进行concat(即合并数组)，互相求余弦距离可以得到工艺元素相似度的近似表征，是对传统特征检测算法与基于神经网络的深度学习算法的一次创新性结合，取得了显著效果。通过工艺处理，可以无限制的生成创意图形，为下一步的数据沉淀做准备。
由此，通过利用神经网络提取到设定维度特征，并利用SIFT特征检测法得到SIFT特征向量，可以提升所得图片元素集的精准性和丰富性。
所述沉淀单元102，具体还可以用于对所述图片元素集进行图像识别处理，得到所述图片元素集中每个图片的图片关键词和图片风格特征。该沉淀单元102的具体功能及处理还参见步骤S220。
其中，所述图片关键词，可以包括：特征、适用行业、风格、适用人群。
例如：获取到用户输入的信息(如名称、行业、描述、slogan等)，通过elasticsearch的analysis-ik分词器获取到用户的关键词(如特征、适用行业、风格、适用人群等)，结合形色意的数据沉淀，匹配出适合用户的颜色、形状、组合方式。
由此，通过多种形式的图片关键词，有利于提升对通用创意设计确定的精准性和丰富性。
所述图片风格特征，可以包括：对称、阵列、镂空、局部切除、和/或圆角端点。
例如：具体地，在得到海量设计素材之后，通过图像识别分析出图片的风格特征(如对称、阵列、镂空、局部切除、圆角端点等)和关键词，沉淀出设计方面的形色意数据。
由此，通过多种形式的图片风格特征，有利于提升对通用创意设计确定的精准性和丰富性。
所述沉淀单元102，具体还可以用于对所述图片元素集中每个图片的图片关键词和图片风格特征进行沉淀，得到所述设计素材的形色意数据。该沉淀单元102的具体功能及处理还参见步骤S230。
例如：利用图像识别算法，对海量设计素材进行图像识别，得到海量设计素材中每个图片的关键词和风格特征。进而根据每个图片的关键词和风格特征，沉淀出设计素材的形、色、意数据。
由此，通过对大量设计素材进行处理得到设计方面的形色意数据，可以作为通用创意设计的素材，有利于提升在有用户需求时基于用户需求生成目标创意设计的便捷性和效率。
在一个可选例子中，输入单元104，可以用于获取使用者的输入信息，并根据所述输入信息确定两个以上维度的数据标签。所述两个以上维度的数据标签，是能够满足所述使用者的目标创意设计的设计需求。该输入单元104的具体功能及处理参见步骤S120。
可选地，所述输入单元104根据所述输入信息确定两个以上维度的数据标签，可以包括：
所述输入单元104，具体还可以用于对所述输入信息进行中文分词处理，得到所述使用者的设计需求关键词和设计需求理念。该输入单元104的具体功能及处理还参见步骤S310。
其中，所述输入信息，可以包括：名字、行业、标语、口号、业务描述中的至少之一。
例如：可以用于logo的自动生成时，对于logo业务，用户输入名字、行业、slogan(即标语或口号)，业务描述，通过elasticsearch分词器和NLP获取用户的用户画像和特性，结合沉淀出的形色意艺术设计数据，生成符合用户的logo。
由此，通过多种形式的输入信息，有利于提升对用户的设计需求确定的精准性。
所述输入单元104，具体还可以用于对所述设计需求关键词和所述设计需求理念进行自然语音处理，得到两个维度以上的数据标签。该输入单元104的具体功能及处理还参见步骤S320。
例如：获取用户输入信息，利用analysis-ik分词器(即一款中文的分词插件，支持自定义词库)，分析出用户的品牌信息关键词和理念。再对用户的品牌信息关键词和理念进行NLP(Natural Language Processing，自然语言处理)语义化联想处理，得到多维度的数据标签。具体地，根据用户输入的品牌名称、品牌标语、品牌描述等用户输入信息，通过elasticsearch(即一个基于Lucene的搜索服务)的analysis-ik分词器、以及NLP算法，分析出适合用户的颜色、形状、组合关系等多维度的数据标签。
由此，通过对用户的输入信息进行中文分词处理和自然语音处理，得到适合所述使用者的设计需求的颜色、形状、颜色与形状的组合关系等，可以精确且高效地确定用户的设计需求。
其中，所述两个以上维度的数据标签，可以包括：适合所述使用者的设计需求的颜色、形状、颜色与形状的组合关系中的至少两个。
例如：通过分析了上百万个图案的图形结构、颜色、风格等多维度的数据，沉淀出符合不同行业、不同颜色、不同类别的设计数据。通过NLP和ES分词器，结合用户的输入信息，通过elasticsearch的analysis-ik分词器，以及结合中文分词将用户输入进行分词，提取出用户的关键词，分析每个关键词的词性，以及对比事先入库的无用词，将这批关键词进行过滤处理，进一步的结合NLP自然语言处理，拿到更加精准的关键词，基于elasticsearch中的TF-IDF打分模型，能够搜索到最贴近用户的元素，分析出符合用户需求的创意图形。
由此，通过多种形式的数据标签，有利于提升对用户的目标创意设计确定的精准性。
在一个可选例子中，生成单元106，可以用于根据所述形色意数据、以及所述两个以上维度的数据标签，生成所述使用者的目标创意设计。该生成单元106的具体功能及处理参见步骤S130。
由此，通过艺术手法(碰撞、重叠、阴阳转换、古章、越狂等)，对图案的形状、颜色、纹理、线条等进行处理，生成了大量的图形元素，替代了设计师重复性的劳动设计，降低设计成本和人力成本。也解决了市场上自动生成图案原创性的问题，还为设计数据沉淀提供了素材准备。
可选地，所述生成单元106生成所述使用者的目标创意设计，可以包括：
所述生成单元106，具体还可以用于利用设定算法，根据所述所述形色意数据、以及所述两个以上维度的数据标签生成所述使用者的设计需求所对应的目标产品的设计意涵。该生成单元106的具体功能及处理还参见步骤S410。
更可选地，所述生成单元106利用设定算法，根据所述所述形色意数据、以及所述两个以上维度的数据标签生成所述使用者的设计需求所对应的目标产品的设计意涵，可以包括：所述生成单元106，具体还可以用于根据所述两个以上维度的数据标签，在所述所述形色意数据中检索到创意图形后，利用模型搭建和特征工程生成所述使用者的设计需求所对应的目标产品的设计意涵。
例如：用户端根据用户输入检索出到创意图形后，其展示规则和展示顺序与用户行为息息相关，为了达到千人千面的个性化展示效果，需要引入推荐系统算法。其中，推荐系统技术在本发明中的应用，可以分为模型搭建和特征工程两部分。
例如：特征工程部分，对离散特征如“模板id”、“元素风格”、“字体类型”等特征进行独热编码one-hot(即比较常用的文本特征特征提取的装置)，对元素主色、副色、第三色三种menggban(即蒙版)特征进行加权重的mult-hot编码(是特征向量化的一种方式，无论是标签，还是属性的特征值，都是这样处理)。对于连续型特征采取聚类分箱的离散化处理。对于用户输入关键词和元素标签，进行了word2vec词向量训练，并将训练得到的每个用户多个等长词向量embeding进行求平均作为特征。
例如：模型方面，召回层选用多种召回，将行为协同过滤，与搜索技术提供的行业筛选、关键词匹配结果进行结合，完成多种方式召回。由于多种召回的每一部分颗粒度和量纲不同，使互相之间无法直接比较从而进行排序，需要对召回结果进行下一步精确排序。在FM特征交叉的基础上，引入GBDT梯度提升树预训练，抽取一组抽象特征并入原始特征、FM交叉特征中，实现了更高阶的特征组合。
由此，通过结合模型搭建和特征工程等推荐算法，可以提升目标创意设计生成的效率和精准性。
所述生成单元106，具体还可以用于根据所述设计意涵，生成不同规格的产品交付包以供所述使用者选择，并将所述不同规格的产品交付包作为所述使用者的目标创意设计。该生成单元106的具体功能及处理还参见步骤S420。
例如：根据之前沉淀出的形色意数据、以及多维度的数据标签，结合推荐算法，实现产品的设计意涵，提高创意的准确率。最后根据匹配出的创意设计，生成不同规格、不同尺寸的产品包交付给用户。
例如：根据数据沉淀得到的结果，结合用户输入信息，进行ES(即elasticsearch)和NLP处理后，输出创意设计，得到产品交付包，可以智能输出创意设计，生成创意的效率高。且用户可以根据喜好进行选择，用户体验好。
由此，通过智能匹配和推荐算法，给用户生成合适的创意设计。智能生成创意设计的方案极大地提高了设计效率，降低设计成本，并更能契合用户的设计需求。
由于本实施例的装置所实现的处理及功能基本相应于前述图1至图5所示的方法的实施例、原理和实例，故本实施例的描述中未详尽之处，可以参见前述实施例中的相关说明，在此不做赘述。
经大量的试验验证，采用本发明的技术方案，通过预先根据大量设计素材沉淀出形色意数据，根据用户输入信息分析得到适合用户的多维度数据标签，结合形色意数据和多维度数据标签确定适合该用户的创意设计，可以降低需求方的人力成本，进而将设计成本降低到任意市场都能接受的地步，对于下沉市场来讲，用户不用花费很多的精力财力就能得到属于自己的专属设计，对商家的品牌提升有很大帮助。
根据本发明的实施例，还提供了对应于创意设计的生成装置的一种终端。该终端可以包括：以上所述的创意设计的生成装置。
在互联网技术的飞速发展的背景下，市场上平面、logo(即徽标或者商标)、海报、banner图(即网页导航图片，可以体现网站的中心主旨，由背景图、logo和标语或单位构成)等设计需求的急剧增加，公司需要花费大量的时间和人力成本在重复性的设计需求上，导致公司的人力成本增加和运营效率降低。
在一些设计中，banner图、海报等设计工作都是简单的图文组合，但设计师每年花费在沟通、寻找素材的时间超过400小时。这些设计因为人力成本和沟通成本高，导致设计的费用也居高不下，普通用户往往因为高额的费用，无法设计自己的专属品牌方案，对于品牌的提升有很大的阻碍。
也就是说，这些设计中，设计师设计接到设计需求时，需要和需求方进行反复的沟通来确定设计方的需求，这样会浪费大量的时间在沟通上。
另外，市场上有很多自动化的创意设计方案存在很多缺点，比如个性化logo版式定制方法等，只是通过从网络上爬取图片数据，再结合文字进行简单的图文组合排版，然后售卖给用户。这样不能保证设计的原创性，交付给客户商业使用时可能造成侵权，引起版权纠纷。再者，此方法只是单纯的将大量的图片推送给用户，让用户从大量图片中挑选出自己的喜欢的，不能实现精准推送，用户的需求匹配度较低，难以满足用户的设计需求。
例如：设计师做需求时，每年在网络上寻找素材的时间长达400小时。并且，很多设计素材从网络上直接下载商用会有版权风险。尤其是设计的logo进行商标注册时，会有很严重的侵权风险。目前市面上还没有以图生图的成熟解决方案。因此，亟需一种能根据用户需求来生成个性化图案的解决方案。
在一个可选实施方式中，本发明的方案，提供一种智能化创意设计输出方案，可以实现自动化创意设计的输出。具体地，可以通过获取需求方的品牌理念(如产品定位、产品风格、业务领域等)；进而根据用户(即需求方)的品牌理念，自动衍生出多种设计方案供用户挑选，可以降低需求方的人力成本，提高运营效率。
图7为创意设计输出过程的一实施例的流程示意图。如图7所示的创意设计输出过程，可以包括：
步骤11、获取设计素材，对设计素材中设计图案的颜色、线条、透明度、蒙版、角度、线条等进行处理，得到海量设计素材。
具体地，获取设计师的设计素材，对设计师设计素材中设计图案的颜色、线条、透明度、蒙版、底衬的各维度进行变换处理，生成大量的图片元素，得到海量设计素材。
步骤12、利用图像识别算法，对海量设计素材进行图像识别，得到海量设计素材中每个图片的关键词和风格特征。进而根据每个图片的关键词和风格特征，沉淀出设计素材的形、色、意数据。
具体地，在得到海量设计素材之后，通过图像识别分析出图片的风格特征(如对称、阵列、镂空、局部切除、圆角端点等)和关键词，结合以往的设计经验和积累的用户数据，将素材与对应得到的特征数据批量入库，作为设计领域的形色意数据积淀。
步骤13、获取用户输入信息，利用analysis-ik分词器(即一款中文的分词插件，支持自定义词库)，分析出用户的品牌信息关键词和理念；再对用户的品牌信息关键词和理念进行NLP(Natural Language Processing，自然语言处理)语义化联想处理，得到多维度的数据标签。
具体地，根据用户输入的品牌名称、品牌标语、品牌描述等用户输入信息，通过elasticsearch(即一个基于Lucene的搜索服务)的analysis-ik分词器、以及NLP算法，分析出适合用户的颜色、形状、组合关系等多维度的数据标签。
步骤14、根据之前沉淀出的形色意数据、以及多维度的数据标签，结合业界流行的推荐算法如FM(Factorization Machine因子分解机)、LR(Logistic Regression)、deep&wide等，解析用户的设计诉求，实现产品的设计意涵(即用户通过设计图案所想表达的品牌理念和品牌业务)，提高创意的准确率。最后根绝生成的多维度数据标签，通过数据匹配出创意设计图案，结合用户的图案应用场景(头像、桌面背景、门头等)尺寸的不同，用RSVG(一种图像类型转换的服务)生成不同规格、不同尺寸的产品包交付给用户。
在一个可选例子中，可以通过图像变换，将设计师设计的矢量图批量生成新的矢量图，每张图片经过处理生成多张新的图片，达到1：N的生成效果。
其中，图像变换是批量生成图案的一种方案，首先，设计师设计出合适的艺术手法(如碰撞、重叠、阴阳转换、古章、越框、速度线等)，然后通过计算机将矢量图叠加此类工艺，是一种svg的mask蒙版操作。将矢量图转换为svg代码，然后在代码中引用此类mask蒙版(蒙版可以对矢量图进行任意修改，每一种工艺相当于一种蒙版)，对矢量图的形状、颜色、纹理、线条等进行处理，生成全新的矢量图。其中，相同元素碰撞是碰撞中的一种手法，删除形同元素碰撞就行。另外，一些工艺(如碰撞、透叠、古章、等差线、相同元素碰撞等)的流程可以参见图12所示的例子。因为对矢量图的底层代码作出修改，矢量图的形状从本质上已经发生改变，所以既能保证生成的设计元素的原创性和合法性，保证交付给用户的设计文件不会引起产权纠纷，又可以大批量的生成不同的设计元素来满足众多的客户的需求。其次，也就是说，通过智能匹配和推荐算法，给用户生成合适的创意设计；智能生成创意设计的方案极大地提高了设计效率，降低设计成本，并更能契合用户的设计需求。
其中，本发明的方案，主要可以用于logo的自动生成，对于logo业务，用户输入名字、行业、slogan(即标语或口号)，业务描述，通过elasticsearch分词器和NLP获取用户的用户画像和特性，结合沉淀出的形色意艺术设计数据，生成符合用户的logo。
图8为创意设计输出过程的另一实施例的流程示意图。如图8所示的创意设计输出过程，可以包括：
步骤21、准备创意素材，并将准备的创意素材利用工艺生成大量素材。
其中，将原始图案元素进行图像变换，批量生成新元素的过程我们称之为工艺制作。工艺制作在业务和技术上都有着一定的要求。
业务上，新生成的工艺必须兼具美观和独立的属性。每一个工艺都是根据设计师的构思，辅以技术上的实现完成。复杂工艺如速度线和底面建模，会带来图形的多样化及元素内在含义的升级。而简单工艺如碰撞和重复，同样具有一定的美学价值，适用于简洁的图形设计需求。除了美学价值，工艺同时也需要满足独立的特点，如一个元素经过工艺变换后，能产生视觉和含义上的多样变化，并且尽可能适用于更多地行业领域为最佳。例如一个简单球形经过变换，可以得到篮球(体育领域)、地球(教育领域)、互联网网络结构(科技领域)等不同的独立意象，拓展适用领域的同时赋予了具体含义。
技术上，不同的工艺根据其复杂程度和变换类型，可以分为采用图像变换技术、深度学习技术和图像变换与深度学习相结合的技术几种。
图像变换为总称，具体视工艺需求而定。对于矢量图片，蒙版和滤镜技术的使用至关重要。svg蒙版会变换对象的透明度。如果蒙版是不透明度的，被蒙版覆盖的对象的像素就是不透明的；如果蒙版是半透明的，那么对象就是半透明的，蒙版的透明部分会使被覆盖的对象相应部分不可见。滤镜的种类有很多，它们可以生成模糊的投影，加粗线条或者让线条辨析，给绘图添加纹理，或者让对象看上去像浮雕或者倾斜。
图9为矢量图工艺生成流程的一实施例的流程示意图。如图9所示，矢量图工艺生成流程，可以包括：
步骤31、获取单张矢量原图。
步骤32、对单张矢量原图进行蒙版或滤镜处理后，再进行坐标变化，德行批量成品矢量工艺图。
图10为位图工艺生成流程的一实施例的流程示意图。如图10所示，位图工艺生成流程，可以包括：
步骤41、获取单张位图原图。
步骤42、对获取的单张位图原图进行高斯滤波、边缘检测、图像二值化、轮廓检测和聚类取点处理，得到批量成品位图工艺图。
相比于矢量图，批量成品矢量工艺图，作为图片元素集；位图这种像素级别的图像处理技术更为成熟。例如，在我们开发的速度线工艺中，首先为了检测图像中的所有具象物体，第一步需要做边缘检测。滤波部分选用高斯滤波器，会对输入数组进行规范化的高斯核滤波，通过数值为高斯分布的ksize维度核对原图进行滑动滤波，由于图像中的噪声也是高频信号，所以使用高斯滤波对高斯噪声进行消除对边缘检测至关重要。通过与未经高斯滤波的图像对比可以发现，后者会检测出10-100倍的噪声边缘，对下一步外轮廓检测带来一定困难。计算梯度选用一阶微分边缘算子也称为梯度边缘算子，即是利用图像在边缘处的阶跃性，即图像梯度在边缘取得极大值的特性进行边缘检测。之后进行图像二值化，为接下来轮廓检测做准备。轮廓检测需要考虑logo本身的连通性，通过固定参数(如检索模式mode、近似方法method、point偏移量、迭代向量等)检测到的轮廓数，可以定性的表征连通性，轮廓数越大代表连通性越差。对于连通性佳的logo直接阈值筛选出最大轮廓，视速度线效果要求，对轮廓上所有同相位坐标值进行提取排序，再进行均值取点、递增取点、非监督学习聚类取点等方式，定位速度线基点，获得不同感受的视觉效果。对于连通性差的logo，采用opencv中CV_RETR_TREE模式，检测所有轮廓，对所有轮廓建立一个等级树结构，对树内同相位坐标值进行去重排序，这样可以防止基点定位到非联通区域。就本发明的方案而言，以上处理方式得到的速度线工艺，具有定位精准、适配性强、泛化性能好、可用率高等特点，在库内30万元素的设计研发测试中，有高达80％以上的可用率，大幅度提升了元素库的素材积累。
图11为图形相似度计算流程的一实施例的流程示意图。如图11所示，图形相似度计算流程，可以包括：
步骤51、利用resnet神经网络进行特征提取，得到深度特征。
步骤52、利用SIFT算子进行特征检测，得到关键点特征。
步骤53、根据深度特征和关键点特征，生成图片后，进行余弦相似度处理，得到相似图形排序结果。
深度学习技术在工艺的应用，体现在特征提取和图片生成两个领域。经实验，18层的resnet残差网络对于项目库中的图形元素，兼具了工程性能和算法精度需求，其shortcut模块既能帮助网络学习特征的恒等映射，另更深的神经网络在提取更多维度特征的同时不会损失精读，同时一定程度防止梯度消失带来的训练难题。resnet提取到的N维特征可以有多种用途。后接全连接层可进行工艺元素针对多角度的多分类，辅助工艺筛选入库。与此同时，再对图像进行SIFT特征检测，利用DOG高斯差分函数得到候选点，对候选点进行插值拟合得到精确关键点，得到关键点组成的SIFT特征向量。进而，可以将SIFT特征向量与resnet提取到的N维特征进行concat(即合并数组)，互相求余弦距离可以得到工艺元素相似度的近似表征，是对传统特征检测算法与基于神经网络的深度学习算法的一次创新性结合，取得了显著效果。
通过上述的工艺处理，可以无限制的生成创意图形，为下一步的数据沉淀做准备。
步骤22、设计数据沉淀。即设计形色意数据沉淀。
通过分析了上百万个图案的图形结构、颜色、风格等多维度的数据，沉淀出符合不同行业、不同颜色、不同类别的设计数据。通过NLP和ES分词器，结合用户的输入信息，通过elasticsearch的analysis-ik分词器，以及结合中文分词将用户输入进行分词，提取出用户的关键词，分析每个关键词的词性，以及对比事先入库的无用词，将这批关键词进行过滤处理，进一步的结合NLP自然语言处理，拿到更加精准的关键词，基于elasticsearch中的TF-IDF打分模型，能够搜索到最贴近用户的元素，分析出符合用户需求的创意图形。
步骤23、智能推荐，即根据数据沉淀得到的结果，结合用户输入信息，进行ES(即elasticsearch)和NLP处理后，输出创意设计，得到产品交付包。
具体地，用户端根据用户输入检索出到创意图形后，其展示规则和展示顺序与用户行为息息相关，为了达到千人千面的个性化展示效果，需要引入推荐系统算法。其中，推荐系统技术在本发明中的应用，可以分为模型搭建和特征工程两部分。
可选地，特征工程部分，对离散特征如“模板id”、“元素风格”、“字体类型”等特征进行独热编码one-hot(即比较常用的文本特征特征提取的方法)，对元素主色、副色、第三色三种menggban(即蒙版)特征进行加权重的mult-hot编码(是特征向量化的一种方式，无论是标签，还是属性的特征值，都是这样处理)。对于连续型特征采取聚类分箱的离散化处理。对于用户输入关键词和元素标签，进行了word2vec词向量训练，并将训练得到的每个用户多个等长词向量embeding进行求平均作为特征。
可选地，模型方面，召回层选用多种召回，将行为协同过滤，与搜索技术提供的行业筛选、关键词匹配结果进行结合，完成多种方式召回。由于多种召回的每一部分颗粒度和量纲不同，使互相之间无法直接比较从而进行排序，需要对召回结果进行下一步精确排序。
其中，排序层对基于特征交叉的回归模型进行了改进，该模型本质是为了引入全量特征交叉组合，学习高阶特征的同时减少维度爆炸风险。线性模型假设是特征之间独立，但实际业务中难以达到，例如logo主色和副色两个特征，互相之间存在制约和促进(例如用户喜欢红色和绿色，但不喜欢两者共存)。POLY2模型在线性回归基础上首次引入特征交叉，捕获了二阶非线性特征。但是为每一对交叉特征设置一个权重的做法大幅度增加了参数空间，同时数据稀疏导致训练困难。FM对(Factorization，因子分解机)每个特征维护一个k维隐向量，特征交叉的权重是两个特征隐向量的点积，使得降低计算复杂度的同时，能够泛化表征数据集中未出现的特征组合。本发明的方案，在FM特征交叉的基础上，引入GBDT梯度提升树预训练，抽取一组抽象特征并入原始特征、FM交叉特征中，实现了更高阶的特征组合。
可见，本发明的方案，通过艺术手法(碰撞、重叠、阴阳转换、古章、越狂等)，对图案的形状、颜色、纹理、线条等进行处理，生成了大量的图形元素，替代了设计师重复性的劳动设计，降低设计成本和人力成本；也解决了市场上自动生成图案原创性的问题，还为设计数据沉淀提供了素材准备。
其中，本发明的方案，能够工艺生成步骤和基于用户输入自动提炼用户品牌理念。工艺生成解决了市面上自动生成创意设计的版权问题，并百倍速的提供了素材基础，将设计成本极大的节省。基于用户输入自动提炼用户的设计理念，通过NLP、ES、结合词词库，能准确的分析出用户的需求，极大的节省设计师和用户的沟通时间，提高人效。
进一步地，利用智能推荐步骤和形色意数据匹配步骤，解决了市场上设计和用户需求不匹配的问题，能高度实现用户的需求。再者，本发明的方案将设计成本降低到任意市场都能接受的地步，对于下沉市场来讲，用户不用花费很多的精力财力就能得到属于自己的专属设计，对商家的品牌提升有很大帮助。
由于本实施例的终端所实现的处理及功能基本相应于前述图6所示的装置的实施例、原理和实例，故本实施例的描述中未详尽之处，可以参见前述实施例中的相关说明，在此不做赘述。
经大量的试验验证，采用本发明的技术方案，通过获取需求方的品牌理念(如产品定位、产品风格、业务领域等)；进而根据用户(即需求方)的品牌理念，可以实现自动化创意设计的输出，并自动衍生出多种设计方案供用户挑选，可以降低需求方的人力成本，提高运营效率。
根据本发明的实施例，还提供了对应于创意设计的生成方法的一种存储介质，所述存储介质包括存储的程序，其中，在所述程序运行时控制所述存储介质所在设备执行以上所述的创意设计的生成方法。
由于本实施例的存储介质所实现的处理及功能基本相应于前述图1至图5所示的方法的实施例、原理和实例，故本实施例的描述中未详尽之处，可以参见前述实施例中的相关说明，在此不做赘述。
经大量的试验验证，采用本发明的技术方案，通过预先根据大量设计素材沉淀出形色意数据，根据用户输入信息分析得到适合用户的多维度数据标签，利用智能推荐算法和形色意数据匹配算法，可以解决市场上设计和用户需求不匹配的问题，能高度实现用户的需求。
根据本发明的实施例，还提供了对应于创意设计的生成方法的一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行以上所述的创意设计的生成方法。
由于本实施例的处理器所实现的处理及功能基本相应于前述图1至图5所示的方法的实施例、原理和实例，故本实施例的描述中未详尽之处，可以参见前述实施例中的相关说明，在此不做赘述。
经大量的试验验证，采用本发明的技术方案，通过工艺生成和基于用户输入自动提炼用户品牌理念，工艺生成解决了市面上自动生成创意设计的版权问题，并百倍速的提供了素材基础，将设计成本极大的节省；基于用户输入自动提炼用户的设计理念，通过NLP、ES、结合词词库，能准确的分析出用户的需求，极大的节省设计师和用户的沟通时间，提高人效。
综上，本领域技术人员容易理解的是，在不冲突的前提下，上述各有利方式可以自由地组合、叠加。
以上所述仅为本发明的实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的权利要求范围之内。

Claims (10)

1.一种创意设计的生成方法，其特征在于，包括：
获取设计素材集，并根据所述设计素材集沉淀出形色意数据；所述形色意数据，是能够满足基本创意设计所需的图片元素库；
获取使用者的输入信息，并根据所述输入信息确定两个以上维度的数据标签；所述两个以上维度的数据标签，是能够满足所述使用者的目标创意设计的设计需求；
根据所述形色意数据、以及所述两个以上维度的数据标签，生成所述使用者的目标创意设计。
2.根据权利要求1所述的创意设计的生成方法，其特征在于，其中，
所述根据所述设计素材沉淀出形色意数据，包括：
对所述设计素材集中设计图案的图案信息进行图像变换处理，得到图片元素集；
对所述图片元素集进行图像识别处理，得到所述图片元素集中每个图片的图片关键词和图片风格特征；
对所述图片元素集中每个图片的图片关键词和图片风格特征进行沉淀，得到所述设计素材的形色意数据；
和/或，
所述根据所述输入信息确定两个以上维度的数据标签，包括：
对所述输入信息进行中文分词处理，得到所述使用者的设计需求关键词和设计需求理念；
对所述设计需求关键词和所述设计需求理念进行自然语音处理，得到两个维度以上的数据标签；
和/或，
所述生成所述使用者的目标创意设计，包括：
利用设定算法，根据所述所述形色意数据、以及所述两个以上维度的数据标签生成所述使用者的设计需求所对应的目标产品的设计意涵；
根据所述设计意涵，生成不同规格的产品交付包以供所述使用者选择，并将所述不同规格的产品交付包作为所述使用者的目标创意设计。
3.根据权利要求2所述的创意设计的生成方法，其特征在于，其中，
所述输入信息，包括：名字、行业、标语、口号、业务描述中的至少之一；
和/或，
所述两个以上维度的数据标签，包括：适合所述使用者的设计需求的颜色、形状、颜色与形状的组合关系中的至少两个；
和/或，
所述图案信息，包括：颜色、线条、透明度、蒙版、衬底、角度、线条中的至少一种信息；
和/或，
所述图片关键词，包括：特征、适用行业、风格、适用人群；
和/或，
所述图片风格特征，包括：对称、阵列、镂空、局部切除、和/或圆角端点。
4.根据权利要求2或3所述的创意设计的生成方法，其特征在于，其中，
所述对所述设计素材集中设计图案的图案信息进行图像变换处理，包括：
对所述设计素材集中每张矢量图中设计图案的图案信息进行蒙版或滤镜处理后，再进行坐标变化，得到批量成品矢量工艺图；或者，
对所述设计素材集中每张位图中设计图案的图案信息进行高斯滤波、边缘检测、图像二值化、轮廓检测和聚类取点处理，得到批量成品矢量工艺图；
基于所述批量成品矢量工艺图利用神经网络提取到设定维度特征，并利用SIFT特征检测法得到SIFT特征向量；
将所述设定维度特征和所述SIFT特征向量进行合并数组处理后，再互求预先距离得到相似度图形序列，作为所述图片元素集；
和/或，
利用设定算法，根据所述所述形色意数据、以及所述两个以上维度的数据标签生成所述使用者的设计需求所对应的目标产品的设计意涵，包括：
根据所述两个以上维度的数据标签，在所述所述形色意数据中检索到创意图形后，利用模型搭建和特征工程生成所述使用者的设计需求所对应的目标产品的设计意涵。
5.一种创意设计的生成装置，其特征在于，包括：
沉淀单元，用于获取设计素材集，并根据所述设计素材集沉淀出形色意数据；所述形色意数据，是能够满足基本创意设计所需的图片元素库；
输入单元，用于获取使用者的输入信息，并根据所述输入信息确定两个以上维度的数据标签；所述两个以上维度的数据标签，是能够满足所述使用者的目标创意设计的设计需求；
生成单元，用于根据所述形色意数据、以及所述两个以上维度的数据标签，生成所述使用者的目标创意设计。
6.根据权利要求5所述的创意设计的生成装置，其特征在于，其中，
所述沉淀单元根据所述设计素材沉淀出形色意数据，包括：
对所述设计素材集中设计图案的图案信息进行图像变换处理，得到图片元素集；
对所述图片元素集进行图像识别处理，得到所述图片元素集中每个图片的图片关键词和图片风格特征；
对所述图片元素集中每个图片的图片关键词和图片风格特征进行沉淀，得到所述设计素材的形色意数据；
和/或，
所述输入单元根据所述输入信息确定两个以上维度的数据标签，包括：
对所述输入信息进行中文分词处理，得到所述使用者的设计需求关键词和设计需求理念；
对所述设计需求关键词和所述设计需求理念进行自然语音处理，得到两个维度以上的数据标签；
和/或，
所述生成单元生成所述使用者的目标创意设计，包括：
利用设定算法，根据所述所述形色意数据、以及所述两个以上维度的数据标签生成所述使用者的设计需求所对应的目标产品的设计意涵；
根据所述设计意涵，生成不同规格的产品交付包以供所述使用者选择，并将所述不同规格的产品交付包作为所述使用者的目标创意设计。
7.根据权利要求6所述的创意设计的生成装置，其特征在于，其中，
所述输入信息，包括：名字、行业、标语、口号、业务描述中的至少之一；
和/或，
所述两个以上维度的数据标签，包括：适合所述使用者的设计需求的颜色、形状、颜色与形状的组合关系中的至少两个；
和/或，
所述图案信息，包括：颜色、线条、透明度、蒙版、衬底、角度、线条中的至少一种信息；
和/或，
所述图片关键词，包括：特征、适用行业、风格、适用人群；
和/或，
所述图片风格特征，包括：对称、阵列、镂空、局部切除、和/或圆角端点。
8.根据权利要求6或7所述的创意设计的生成装置，其特征在于，其中，
所述沉淀单元对所述设计素材集中设计图案的图案信息进行图像变换处理，包括：
对所述设计素材集中每张矢量图中设计图案的图案信息进行蒙版或滤镜处理后，再进行坐标变化，得到批量成品矢量工艺图；或者，
对所述设计素材集中每张位图中设计图案的图案信息进行高斯滤波、边缘检测、图像二值化、轮廓检测和聚类取点处理，得到批量成品矢量工艺图；
基于所述批量成品矢量工艺图利用神经网络提取到设定维度特征，并利用SIFT特征检测法得到SIFT特征向量；
将所述设定维度特征和所述SIFT特征向量进行合并数组处理后，再互求预先距离得到相似度图形序列，作为所述图片元素集；
和/或，
所述生成单元利用设定算法，根据所述所述形色意数据、以及所述两个以上维度的数据标签生成所述使用者的设计需求所对应的目标产品的设计意涵，包括：
根据所述两个以上维度的数据标签，在所述所述形色意数据中检索到创意图形后，利用模型搭建和特征工程生成所述使用者的设计需求所对应的目标产品的设计意涵。
9.一种终端，其特征在于，包括：如权利要求5至8中任一项所述的创意设计的生成装置。
10.一种存储介质或处理器，其特征在于，所述存储介质包括存储的程序，其中，在所述程序运行时控制所述存储介质所在设备执行权利要求1至4中任一项所述的创意设计的生成方法；
或者，
所述程序运行时执行权利要求1至4中任一项所述的创意设计的生成方法。
CN202110041622.9A 2021-01-13 2021-01-13 创意设计的生成方法、装置、终端、存储介质 Active CN112837332B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110041622.9A CN112837332B (zh) 2021-01-13 2021-01-13 创意设计的生成方法、装置、终端、存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110041622.9A CN112837332B (zh) 2021-01-13 2021-01-13 创意设计的生成方法、装置、终端、存储介质

Publications (2)

Publication Number Publication Date
CN112837332A true CN112837332A (zh) 2021-05-25
CN112837332B CN112837332B (zh) 2024-01-19

Family

ID=75927977

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110041622.9A Active CN112837332B (zh) 2021-01-13 2021-01-13 创意设计的生成方法、装置、终端、存储介质

Country Status (1)

Country Link
CN (1) CN112837332B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114998631A (zh) * 2022-08-08 2022-09-02 成都薯片科技有限公司 企业logo生成方法、装置及存储介质
CN117115843A (zh) * 2023-10-23 2023-11-24 深圳谱盈科技有限公司 一种基于aigc技术的会展工程内容生产系统和方法

Citations (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2012221400A (ja) * 2011-04-13 2012-11-12 Yasushi Seiki デザイン生成装置及びデザイン生成プログラム
US20160267684A1 (en) * 2015-03-11 2016-09-15 International Business Machines Corporation Creative Color Design
US10083521B1 (en) * 2015-12-04 2018-09-25 A9.Com, Inc. Content recommendation based on color match
JP2018194938A (ja) * 2017-05-15 2018-12-06 富士通株式会社 ファッション分析プログラム、ファッション分析装置及びファッション分析方法
CN109543359A (zh) * 2019-01-18 2019-03-29 李燕清 一种基于物联网大数据的人工智能包装设计方法及系统
JP2019057066A (ja) * 2017-09-20 2019-04-11 株式会社Ｐｒｅｆｅｒｒｅｄ Ｎｅｔｗｏｒｋｓ 線画自動着色プログラム、線画自動着色装置及び線画自動着色方法
CN109754314A (zh) * 2018-12-19 2019-05-14 深圳优启科技有限公司 一种个性化定制方法、装置、计算机设备及存储介质
CN109783094A (zh) * 2018-12-15 2019-05-21 深圳壹账通智能科技有限公司 前端页面生成方法、装置、计算机设备及存储介质
CN110060029A (zh) * 2019-04-18 2019-07-26 浩鲸云计算科技股份有限公司 一种ai赋能创意设计方法
CN110097070A (zh) * 2019-03-15 2019-08-06 杭州电子科技大学 一种基于人眼视觉感知的中国画特征色集获取方法
CN110135032A (zh) * 2019-04-30 2019-08-16 厦门大学 一种基于对抗生成网络的辅助服装生成方法和装置
CN110196917A (zh) * 2019-05-30 2019-09-03 厦门一品威客网络科技股份有限公司 个性化logo版式定制方法、系统和存储介质
CN110232726A (zh) * 2019-04-26 2019-09-13 特赞（上海）信息科技有限公司 创意素材的生成方法及装置
US20190325626A1 (en) * 2018-04-18 2019-10-24 Sawa Labs, Inc. Graphic design system for dynamic content generation
CN110889883A (zh) * 2019-11-29 2020-03-17 焦点科技股份有限公司 一种自适应的智能横幅广告图片生成方法及系统
KR20200055813A (ko) * 2018-11-08 2020-05-22 주식회사 하마소프트 딥 러닝을 이용한 산업용 패턴 디자인 자동 생성 시스템
CN111489196A (zh) * 2020-04-08 2020-08-04 支付宝(杭州)信息技术有限公司 基于深度学习网络的预测方法、装置、电子设备及介质
CN111833099A (zh) * 2020-06-24 2020-10-27 广州筷子信息科技有限公司 一种生成创意广告的方法和系统
KR102183143B1 (ko) * 2020-05-20 2020-11-25 이창욱 빅데이터에 기반한 타깃 제품의 추천 색 결정 방법 및 장치

Patent Citations (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2012221400A (ja) * 2011-04-13 2012-11-12 Yasushi Seiki デザイン生成装置及びデザイン生成プログラム
US20160267684A1 (en) * 2015-03-11 2016-09-15 International Business Machines Corporation Creative Color Design
US10083521B1 (en) * 2015-12-04 2018-09-25 A9.Com, Inc. Content recommendation based on color match
JP2018194938A (ja) * 2017-05-15 2018-12-06 富士通株式会社 ファッション分析プログラム、ファッション分析装置及びファッション分析方法
JP2019057066A (ja) * 2017-09-20 2019-04-11 株式会社Ｐｒｅｆｅｒｒｅｄ Ｎｅｔｗｏｒｋｓ 線画自動着色プログラム、線画自動着色装置及び線画自動着色方法
US20190325626A1 (en) * 2018-04-18 2019-10-24 Sawa Labs, Inc. Graphic design system for dynamic content generation
KR20200055813A (ko) * 2018-11-08 2020-05-22 주식회사 하마소프트 딥 러닝을 이용한 산업용 패턴 디자인 자동 생성 시스템
CN109783094A (zh) * 2018-12-15 2019-05-21 深圳壹账通智能科技有限公司 前端页面生成方法、装置、计算机设备及存储介质
CN109754314A (zh) * 2018-12-19 2019-05-14 深圳优启科技有限公司 一种个性化定制方法、装置、计算机设备及存储介质
CN109543359A (zh) * 2019-01-18 2019-03-29 李燕清 一种基于物联网大数据的人工智能包装设计方法及系统
CN110097070A (zh) * 2019-03-15 2019-08-06 杭州电子科技大学 一种基于人眼视觉感知的中国画特征色集获取方法
CN110060029A (zh) * 2019-04-18 2019-07-26 浩鲸云计算科技股份有限公司 一种ai赋能创意设计方法
CN110232726A (zh) * 2019-04-26 2019-09-13 特赞（上海）信息科技有限公司 创意素材的生成方法及装置
CN110135032A (zh) * 2019-04-30 2019-08-16 厦门大学 一种基于对抗生成网络的辅助服装生成方法和装置
CN110196917A (zh) * 2019-05-30 2019-09-03 厦门一品威客网络科技股份有限公司 个性化logo版式定制方法、系统和存储介质
CN110889883A (zh) * 2019-11-29 2020-03-17 焦点科技股份有限公司 一种自适应的智能横幅广告图片生成方法及系统
CN111489196A (zh) * 2020-04-08 2020-08-04 支付宝(杭州)信息技术有限公司 基于深度学习网络的预测方法、装置、电子设备及介质
KR102183143B1 (ko) * 2020-05-20 2020-11-25 이창욱 빅데이터에 기반한 타깃 제품의 추천 색 결정 방법 및 장치
CN111833099A (zh) * 2020-06-24 2020-10-27 广州筷子信息科技有限公司 一种生成创意广告的方法和系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
林丽;张云?;牛亚峰;阳明庆;: "基于网络评价数据的产品感性意象无偏差设计方法", 东南大学学报(自然科学版), no. 01, pages 26 - 32 *
王艳敏;: "农民画色彩特征在地域农产品包装设计中的应用", 包装工程, no. 10, pages 267 - 273 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114998631A (zh) * 2022-08-08 2022-09-02 成都薯片科技有限公司 企业logo生成方法、装置及存储介质
CN114998631B (zh) * 2022-08-08 2022-11-11 成都薯片科技有限公司 企业logo生成方法、装置及存储介质
CN117115843A (zh) * 2023-10-23 2023-11-24 深圳谱盈科技有限公司 一种基于aigc技术的会展工程内容生产系统和方法
CN117115843B (zh) * 2023-10-23 2024-01-26 深圳谱盈科技有限公司 一种基于aigc技术的会展工程内容生产系统和方法

Also Published As

Publication number Publication date
CN112837332B (zh) 2024-01-19

Similar Documents

Publication Publication Date Title
Lian et al. EasyFont: a style learning-based system to easily build your large-scale handwriting fonts
CN101128838B (zh) 辨认图
CN108876796A (zh) 一种基于全卷积神经网络和条件随机场的道路分割系统及方法
CN112784531B (zh) 一种基于深度学习和部件拼接的中文字形及字库生成方法
CN112837332B (zh) 创意设计的生成方法、装置、终端、存储介质
Lin et al. Font generation based on least squares conditional generative adversarial nets
CN114092700A (zh) 基于目标检测和知识图谱的古文字识别方法
Henderson Analysis of engineering drawings and raster map images
CN114821590A (zh) 文档信息提取方法、装置、设备及介质
CN113762257B (zh) 一种美妆品牌图像中标志的识别方法及装置
Zhang Content-based e-commerce image classification research
Zhou et al. Evaluation and design method for product form aesthetics based on deep learning
US10824922B1 (en) Similarity detection system
Park et al. A method for automatically translating print books into electronic Braille books
CN113298616A (zh) 一种基于特征融合的成对服装兼容性预测方法
CN116912366A (zh) 一种基于ai的平面设计生成方法及系统
Dai et al. Classification of calligraphy style based on convolutional neural network
Fang Semantic segmentation of PHT based on improved DeeplabV3+
Hurtut et al. Artistic line-drawings retrieval based on the pictorial content
CN113076468B (zh) 一种基于领域预训练的嵌套事件抽取方法
Lai et al. Pattern Recognition and Computer Vision: First Chinese Conference, PRCV 2018, Guangzhou, China, November 23-26, 2018, Proceedings, Part III
Liu The Use of Visual Communication Technology in the Cultural Connotation and Design Expression of Traditional Cultural and Creative Products
Gu Computer multimedia aided design and hand-drawn effect analysis based on grid resource sharing cooperative algorithm
Capobianco Deep Learning Methods for Document Image Understanding
Mazroui et al. Recognition of Multifont Isolated Arabic Characters by Bézier Curves

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant