Pix2Pix与人工智能做设计

设计是一个创造的过程，目前大部分的设计类产品大多是基于模版的，外加一些图像匹配的处理，做出来的设计，缺少创造的成分，更多的是预设的结果。 基于深度学习算法，是否可能满足设计创造性的要求？像图像分类可以很方便的通过 CNN 来实现，通过 apple 开源的 turicreate 库来实现更加简便。而图像与图像之间的转换（称为图像翻译），目前较好的通用方法是 pix2pix ，基于 GAN 的算法。GAN 带来了生成设计的可能性。最近我也终于抽到点空跑了下 pix2pix 的算法，有点体会，写成文章分享给大家。

ps：跑到第8轮，pix2pix 的应用界限就差不多可以评估了

在开发环境方面，我这次选择了 Anaconda 作为 python 包的管理，有可视化的 APP 工具，也可以通过终端命令行操作，方便了许多。 pix2pix 的话，做实验的话，建议直接使用 Jupyter notebook ，方便直观。

2017 年的这篇论文《Image-to-Image Translation with Conditional Adversarial Networks》介绍得很详细， github 上也有很多 pix2pix 的实现，自行搜索吧。

https://arxiv.org/pdf/1611.07004.pdf

pix2pix 可以实现哪些事情呢？

预测影片的下一帧，我们是不是可以把一张图片变成 GIF 图；

去除马赛克，随意放大 BMP 图片，再也不担心精度不够了；

通过手绘生成名画，比谷歌的 auto draw 先进了点，当然还有各种通过手绘生成的东西，比如猫、袋子、鞋子、人物肖像画；

去除图片的背景，类似于抠图，也可以采用 pix2pix 的方法进行；

生成配色方案，把配色当成图片，进行图片的生成，产生新的配色方案；

从侧脸预测正脸，这样以后只要随便拍一张照片，都可以在三维空间中实时建模出来；

改变模特的摆拍姿势；

用在风格迁移也是可以的，还可以做得更加灵活；

从卫星影像生成地图，降低地图服务商的生成成本；

Github 有个 gan 全集，收集了 gan 的相关论文及应用。

https://github.com/nightrome/really-awesome-gan

只要是图片与图片之间的转换，我们都可以尝试 pix2pix 来生成试试。

算法已经没什么秘密可言，站在应用的角度，关键是如何获取大量的成对的图片来进行训练。我们可以借助一些工具，比如 UI2Code 之 利用 antd.sketchapp 生成训练数据 ，还可以通过其他算法生成大量数据，作为 pix2pix 的输入。

例如，针对设计领域，有这么些图像翻译的应用场景：

动态 Logo 设计，用户输入一张静态的 Logo 图片，自动生成动态的 GIF 。

= >

服装设计，只需完成手绘，即可实时看到成品的效果。

类似于 iGAN ：

还有景观／建筑设计中，经常要描图，利用 pix2pix ，也是可以实现手绘图至 CAD 图的转化，然后设计师再在 CAD 图上精细地调整方案。

其他的应用场景欢迎留言讨论或微信群里讨论。