人工智能Logo设计师Brandmark

封面由ARKie智能设计赞助

早在去年 mixlab 的一篇案例报告里,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。

原文发布于微信公众号 - 科技Mix设计Lab(Design-AI-Lab)

原文发表时间:2018-03-22

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

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
来自专栏量化投资与机器学习

【高能】用PyMC3进行贝叶斯统计分析(代码+实例)

问题类型1:参数估计 真实值是否等于X? 给出数据,对于参数,可能的值的概率分布是多少? 例子1:抛硬币问题 硬币扔了n次,正面朝上是h次。 参数问题 想知道...

1.2K100
来自专栏Ryan Miao

手机端web学习基础--from慕课网

web知识零零散散的知道一些,但总感觉不够系统,遇到问题不知道如何解决,因此特此来系统的学习一下web前端的知识。从慕课网的web基础看起。下面学习http:/...

34950
来自专栏大数据文摘

简单易学多维数据可视化R实现:神奇的卡通脸谱图Chernoff faces

46750
来自专栏机器人网

14张机械原理动图,最后一个一般工程师都不懂

来自越南的设计师Nguyen Duc Thang使用Inventor绘制了经典的机械结构,并将其制作为动态仿真视频,这些机械结构有利于大家直观的了解机械。 1、...

51860
来自专栏数据小魔方

动态地理信息可视化——leaflet在线地图简介

最近稍微涉猎了一下leaflet这个包,突然感到发现了动态可视化的新大门,这个包所提供的地图类型、动态效果、图层展示方式都大大扩展了ggplot作图系统的在数据...

56640
来自专栏MixLab科技+设计实验室

人工智能Logo设计师Brandmark

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 、...

527110
来自专栏tkokof 的技术,小趣及杂念

小聊聊NGUI中Panel的Clip功能(之二)

  上篇简单聊了一下NGUI中Panel裁剪的实现原理,总结来看其实比较简单,就是通过Shader计算fragment关于Panel裁剪区域的相对位置,然后通过...

16420
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
来自专栏儿童编程

Python案例——喝墨水的小乌龟

(本文为前一篇文章《理解编程语言只需四个词-编程知识体系介绍(带python及scratch案例)》的说明案例之一)

28720

扫码关注云+社区

领取腾讯云代金券