人工智能Logo设计师Brandmark

早在去年 mixlab 的一篇

「 国内首个 」设计+人工智能深度案例分析报告​

里,就介绍过 Brandmark 了,当时 Brandmark 还是 v1 的版本,现在已经是 v2 版本了,也上线了一些子产品,例如 Brand Rank 、 Logo Crunch 。

Brandmark 在官方博客里介绍了关于人工智能做 Logo 设计的思考,核心的内容,我梳理了下:

使用类似于字体向量( https://github.com/Jack000/fontjoy )来发现字体之间的关系, Brandmark 希望将 Logo 中的图标与字体分别向量化,进行匹配。 Brandmark 认为粗体字体与 icon 的填充面积是相关的,于是设定了一条规则:越粗的字体配填充面积越大的 icon ,是一个较好的设计 ( 设计师更多地思考及制定设计规则 )。基于此,很多工作将得以开展。关于颜色, Brandmark 是这么思考的。颜色是通过大量的配色数据,按照明度进行排序,并打上标签,以生成各种标签的颜色集。颜色方面, Brandmark 颜色生成采用的是基于 pix2pix ,使用 GAN 来生成新的颜色组合( http://colormind.io )。数据集使用 Adobe Color 数据和 Dribbble 的手工挑选的调色板组合。颜色数据集的更新,补充 Brandmark 采用从照片提取主题色的方法,使用 MMCQ ( Modified Median-Cut Color Quantization 改进的中位切分法)的方法。除了 MMCQ 方法,还有 KMeans 对于主题色的提取效果也是不错的。

在 Brandmark 的博客里,提到了“ 设计民主 ”,以后任何人都更容易接触到设计,同时快速具备设计能力。

Brandmark 的核心产品 Logo 设计,有4个流程:

1、输入logo的名称,简介

2、输入关键词

3、选择喜欢的颜色风格

4、生成设计

目前普遍认为 step by step 的方式是体验比较好的做法,但我们需要留意流程的长度,基于技术实现的难度,尽量减少流程的长度。当然,除了很智能的几步生成设计之外, Brandmark 还提供了手动编辑/调整 Logo 的功能。

我们从参数的角度看 Brandmark Logo 的设定。主要是由2大块,一个是关于 Logo 组成元素,例如 Title 、Tagline 、Icon 、 Background。另一个是 ColorScheme 。整个产品的模型:

Logo=BrandMark( Title, Tagline, Icon, Background )

ColorScheme( Main_color, Background_color )

详细的参数设置,有兴趣可以翻阅下:

Title={
    “Text”:String,
    “Size”:Number,
    “Letter_space”:Number,
    “Line_space”:Number,
    “Color”:String,
    “Font”:String}

Tagline={ 
    “Text”:String,
    “Size”:Number,
    “Letter_space”:Number,
    “Line_space”:Number,
    “Color”:String,
    “Font”:String}

Icon={ 
    “Hide_icon”:Boolean,
    “Size”:Number,
    “Spacing”:Number,
    “Line_space”:Number,
    “Color”:String,
    “Choose_icon”:String}
Background={
        “Color”:String
    }

ColorScheme={
    “Title_color”:String,
    “Tagline_color”:String,
    “Icon_color”:String,
    “Background_color”:String
}

Brandmark 在智能生成与手动设置之间找到了一个较好的平衡点。

接下来,我们看下 Brandmark 的子产品 Logo Rank ,一款用于评估 Logo 设计质量的web应用,根据用户上传 Logo 图片,系统根据 Uniqueness (独特性)、Legibility (醒目)、Color/Contrast (颜色/对比度)几个维度进行评测,输出简单的报告。

Uniqueness

独特性

类似于“以图搜图”,基于相似度,比对数据库里的一百万个 icons ,计算出视觉上的独特性。这边官方也介绍了是基于 CNN 来做的。

Legibility

醒目

从线条的清晰,粗细,易于识别程度来评估 Logo(也许技术上是通过计算像素 rgba 中的 a 通道值,让计算机区分手绘的线条与软件画出来的线条)。

Color/Contrast

颜色/对比度

评估色彩属于主观的成分较多,从数据本身,Brandmark 采用基于著名品牌的 Logo 进行参照。如麦当劳、 snapchat 、可口乐乐等。

Overall

总体的评估得分

通过各评估维度的占比,得出一个总体的评分:

Overall( Uniqueness, Legibility, ColorContrast )

再介绍一款子产品 Logo Crunch 。它是一个用于生成多分辨率的 Logo ,它使您的高分辨率 Logo 在较低分辨率上清晰可见。可以运用于网站图标,iOS 应用图标或 Android 应用图标的生成。用户只需上传一个高分辨率的 Logo ,其他分辨率的内容通过此工具自动生成。策略上有3个方法:图像形态学上的开与闭运算来进行,给 Logo 整体加粗描边,识别图像中过细的线条进行针对性描边。

Brandmark 还有 Font Generator 字体生成,AI Color Wheel 智能配色。大家有兴趣可以自行体验,或在知识星球进一步交流。

*

知识星球

更多可以在知识星球交流。

*

关于公众号:

本公众号定期更新人工智能&设计&科技内容。

谈点设计,敲点代码,偶尔创作点人工智能实验产品

原创声明,本文系作者授权云+社区发表,未经许可,不得转载。

如有侵权,请联系 yunjia_community@tencent.com 删除。

发表于

我来说两句

0 条评论
登录 后参与评论

相关文章

来自专栏数据派THU

自然语言处理数据集免费资源开放(附学习资料)

作者:Jason Brownlee 翻译:梁傅淇 本文长度为1500字,建议阅读3分钟 本文提供了七个不同分类的自然语言处理小型标准数据集的下载链接,对于有志于...

49760
来自专栏AI科技大本营的专栏

计算机如何理解我们的语言?NLP is fun!

【导读】我们从日常每天都会用到的推荐系统到现在研究火热的开放性聊天、对话机器人,越来越多的产品与应用的背后都需要自然语言处理(NLP)和知识图谱的技术。也有越来...

10630
来自专栏月牙寂

群体智能算法-黏菌寻找食物最优路线行为模拟 2

第一时间获取文章,可以关注本人公众号 月牙寂道长 yueyajidaozhang

62060
来自专栏北京马哥教育

Python自然语言处理分析倚天屠龙记

? 转载自:Python中文社区 ID:python-china 最近在了解到,在机器学习中,自然语言处理是较大的一个分支。存在许多挑战。例如: 如何...

49560
来自专栏人人都是极客

GPU的工作原理

在GPU出现以前,显卡和CPU的关系有点像“主仆”,简单地说这时的显卡就是画笔,根据各种有CPU发出的指令和数据进行着色,材质的填充、渲染、输出等。 较早的娱乐...

53350
来自专栏小鹏的专栏

是AI就躲个飞机-纯Python实现人工智能

代码下载:Here。 很久以前微信流行过一个小游戏:打飞机,这个游戏简单又无聊。在2017年来临之际,我就实现一个超级弱智的人工智能(AI),这货可以躲避从...

1K50
来自专栏数说戏聊

Tableau构建消费者信心指数动态监测

11320
来自专栏数据小魔方

ggplot2都有哪些使用不多但是却异常强大的图层函数

要说ggplot2中那些使用不多但是却功能强大的图层函数,我首先想到的就是geom_rect、geom_linerange、geom_segment、geom_...

25930
来自专栏IT派

Pyecharts丨极其强大的Python数据可视化模块

昨天发了一篇关于【Matplotlib】的数据可视化文章,有一位小伙伴说可以直接使用Pyecharts,然后我就看了,发现确实,很强大,效果图也是非常的好看

51410
来自专栏Python中文社区

Python自然语言处理分析倚天屠龙记

最近在了解到,在机器学习中,自然语言处理是较大的一个分支。存在许多挑战。例如: 如何分词,识别实体关系,实体间关系,关系网络展示等。

26450

扫码关注云+社区

领取腾讯云代金券