5分钟，AI帮我做科技感海报全流程！

01 前言

从概念的构思到最终的视觉呈现，AI已成为设计师们不可或缺的辅助工具。

本文将探索灵图AI如何助力科技感海报的制作，将抽象概念转化为视觉作品。

02 AI辅助主视觉

设计师通过设计主题和要求，使用灵图AI辅助主视觉设计，生成合适的方向进行初稿设计，确认初步方案。

挑选合适的素材，设计师选择符合科技、数字主义形式作为视觉起点。

描述词：数据技术未来主义，闪亮颗粒的波动，波浪线条，由线连接的点网络，黑色背景，3D渲染8K，超现实主义，紫色和蓝色。

03 细节装饰

在确立主视觉后，灵图AI的另一个优势更加突显，能够根据既定风格生成同类素材，实现设计的连贯性和统一性。

描述词：抽象背景，3d，蓝色和紫色，数据数组，神经连接。

为了丰富海报的层次和深度。从光源的层次变化，再到文字的强调，确保与主体风格一致的同时，也增加了画面的吸引力。

设计师强调信息使用了数字主体，用数字模板图片上传至【形象样式参考】，让AI生成效果来丰富版式。

无论是基础物料的延展还是线上物料的多样化需求，灵图AI都能够提供丰富的素材库，一起再来看下海报效果展示：

AI在科技感海报底图制作中的应用，不仅提升了设计效率，更拓宽了创意的可能性。

我们也期待更多设计师使用灵图AI，碰撞出无限潜能。

如何利用AI技术智能、大批量地设计海报？

背景

在视觉设计领域中，设计师们往往会因为一些简单需求付出相当多的时间，比如修改文案内容，设计简单的海报版式，针对不同机型、展位的多尺寸拓展等。这些工作需要耗费大量的时间、人力成本（5~6张/人日），但对设计师的进步成长起到的作用却非常有限。另一方面，精准营销是未来的大趋势，在大流量背景下，首页的海报资源展位需要展示“千人千面”的效果，这对海报的生产效率也提出了非常高的要求。所以，我们美团外卖技术团队尝试结合AI技术，来协助设计师避免这种低收益、高重复的任务，同时低成本、高效率、高质量地完成海报图片的生成。本文以Banner（横版海报）为例，介绍我们在海报设计 与AI技术 结合方面所进行的一些探索和研究。

分析

什么是Banner的设计过程？我们尝试总结了对Banner设计的理解，Banner的设计过程是一系列的具备某种特征属性的素材图层的有序叠加过程 。这里的特征属性既包括颜色、形状、纹理、主题等视觉属性，也包括位置、大小、贴边等空间属性。在这个过程中，哪些环节可以被机器算法所探索呢？文献[1]研究了如何调整图像的颜色分布，使杂志封面的视觉效果更加符合人眼的视觉特性；文献[2]以此为基础，引入了基于显著性识别的图像裁剪，并使用优化方法来解决布局问题。阿里巴巴的鹿班系统在去年双十一当天，生成1.7亿张Banner；京东内部也在孵化玲珑和莎士比亚系统，更加智能地设计文案和Banner。

图1 封面配色&布局设计[2]

在设计领域的一些子问题上，可以用算法来挖掘出数据背后的规律（如图1所示）。那么，能否构建一个完整的学习算法和处理系统，统一解决Banner设计中所有的子问题（配色、布局、搭配、生成）呢？

技术方案

素材图层是Banner的基础元素，其本身可以被特征化 ，同时组成Banner的若干元素间的叠加顺序可以被序列化 ，因此，算法实际是在学习“在什么时候，选择某种素材，放在哪里 ”。

图2 流程框架

如图2所示，为了解决这个问题，我们设计规划器、优化器、生成器来共同构建海报设计的学习与生产 过程。其中：

1. 规划器从数据中学习设计师对不同风格下的设计习惯与规律；

2. 优化器基于美学质量和设计原则，对前者的输出结果做精细化调整；

3. 最后，由生成器选取/生成素材并渲染成图；

4. 素材库作为这三个环节的基础，负责素材管理 和素材标签化 。

素材库

如何提取素材图片的特征属性，这是比较典型的分类问题。在计算机视觉领域，传统方案是提取图像的颜色、梯度等低级语义特征[3]，结合传统的分类器（LR、SVM等）来实现分类。近年来，基于深度学习的方法因为能表达更为复杂的语义特征，逐渐成为主流方法[4]。如图3所示我们提取传统的低级语义特征，以及基于CNN的高级语义特征，来共同完成素材特征属性提取 。

图3 素材库-特征提取

规划器

完成素材的数据化工作后，怎样学习Banner的设计过程？

作为一种生成模型，对抗生成网络（GAN）[5]在近年广为应用，其优势是可以端到端地训练图像生成模型，但在我们的应用场景下，GAN存在以下两个问题：

1. GAN的过程更像是“黑盒”的过程：输入方面，虽然Conditional-GAN之类的方法可以实现某种程度有条件地可控生成，但对于Banner设计任务来说，其输入信息（文案、目标风格、主体信息）仍然过于复杂；

2. 输出方面，GAN直接生成源数据（即图像），但非常缺乏解释性。我们需要的是更加直观、更有解释性的信息，比如素材的类型、颜色、轮廓、位置等。

在上文中有提到，Banner设计过程是素材图层依次叠加 的过程。因此，我们可以用序列生成模型 来拟合这个过程[6]。在建模过程中，我们把素材视作词汇（Word），海报视作句子（Sentence），词汇索引视为离散化的特征索引，素材叠加顺序就可以视为句子中的词顺序[7]。

图4 规划器-序列生成

图4是我们使用的序列生成模型，输入主体信息和目标风格，输出素材特征的序列。为了增强预测过程中多条路径结果的多样性，我们在监督性地训练每个时刻的输出之外，还引入了评估整个序列合理性的Object loss。如图5所示，借鉴SeqGAN的思想，Object loss可以由判别器来提供[8]。

图5 SeqGAN[8]

优化器

规划器预测素材的量化特征，为了确保最终成图符合美学标准，需要一个后处理的过程（图6）。我们用优化器来解决这个问题。从本质上讲，这是一个优化过程 。通过和设计师们的沟通，我们设计了一些基于常规设计理念和美学标准的目标函数，动作集合包括移动、缩放、亮度调整等，结合优化方法，提升Banner的视觉效果。

图6 优化器

生成器

优化后的素材特征序列，通过生成器来渲染成图。如图7所示，对于素材库检索不到符合某种特征属性的素材的情况，我们设计了图像风格迁移的方法来实现图像特征迁移。这里的特征可以是颜色、形状、纹理等低级特征，也可以是某种语义化的视觉风格特征，对后者来说，可以将源图像的内容Content和目标图像的风格Style在某种特征空间（CNN中的某一层）里做融合，实现风格迁移 [9,10]。

图7 素材生成

应用场景及功能拓展

“千人千面” 的精准营销是未来营销策略的趋势，这对商品素材的丰富性提出了非常高的要求；从为商家赋能的角度来说，也需要为商家提供更多样的海报版式，这也要求系统具备海报风格的快速学习能力和拓展能力。对此，在常规设计风格的研究之外，我们从以下3个方面做了一些拓展研究。

主体图片加工

商品素材的丰富度与美学质量是精细化营销及海报美学质量非常重要的一环。其中最核心的要求是图像分割的能力[11,12]。以全卷积网络（FCN）为基础，如图8所示，我们采取以下几个在目标分割领域常见的技巧，来实现商品图片的目标分割：

1. Encoder-Decoder结构

2. 空洞卷积

3. 多尺度特征融合

4. Two-Stage微调网络

图8 图像语义分割&抠图（结构图部分参考DeepLab v3+[12]）

这种基于语义分割方法的结果，在专业设计师人工评审质量的过程中，发现主体边缘有时会出现明显的锯齿感 。经过分析，我们认为有以下两个原因：

1. 语义分割模型把问题建模为一个“像素级分类过程”，每一个像素的类别都天然地被假设为“非此即彼”，大多数的Segmentation模型都采用Cross-Entropy作为损失函数；

2. 因此，无论是从模型结构（CNN）还是从损失函数的角度来说，分割模型会更倾向于全局信息从而丢弃局部结构信息，导致只能得到边缘比较粗糙的分割结果。

为此，如图8所示，我们在图像分割的输出结果之外，结合了Image Matting方法：

1. 对分割模型的输出结果做形态学变换，生成三值Trimap，分别表示前景区、背景区、未知区；

2. 应用常规的Matting方法，比如Bayesian、Close-Form等，以原图像和Trimap图像为输入，输出前景图的Alpha通道；

3. Matting可以使前景主体的边缘更加平滑，视觉质量更高（图9）。

图9 商品主体抠图

另外，基于图像美学质量评分模型，我们会优先选择质量分高的图片作为主体素材来源。对中低分的图片，未来可以考虑借鉴Cycle-GAN[13]的思想，设计基于半监督和GAN的图像增强网络，美化后再经过图像分割产生主体素材。

海报模板拓展

上述的常规设计风格的学习属于一种广义的设计风格，需要设计师先期投入很多精力做风格划分以及数据收集、处理。为了快速适配热点场景，我们借鉴图像检索 技术(如图10所示)，提取素材图片的CNN特征及颜色特征 ，使用欧式距离来度量素材相似度，这能节省人工打标签的成本，实现基于固定模板的自动拓展及生成（海报临摹）。

图10 素材图像检索与模板拓展

多分辨率拓展

在日常工作中，设计师在设计出Banner后，往往要花费很长时间对不同展位、不同版本、不同机型做多尺寸适配（如图11所示）。能否用算法来协助人工提效？在素材已经确定，并且相互的位置关系近乎确定的条件下做多分辨率适配，这本质上是一个优化问题 ，我们在上文布局优化器的基础上，增加元素的局部相对位置与全局绝对位置的拓扑关系作为目标函数。目前，系统支持在某个固定宽高比±30%范围内的任意分辨率适配 ，未来会进一步扩大适配范围。

图11 多分辨率拓展

总结

目前，我们的Banner智能设计系统为钻展（外卖首页广告位）、商家店铺装修等业务提供稳定的设计能力；素材加工等子能力也在为外卖、闪购等商品图片提供技术支持。后续我们会从扩展常规设计风格、语义相关的颜色及素材挖掘、自动解析数据、构建自评估学习闭环等方面继续研究，进一步提高算法的设计能力和适用性，尽可能协助设计师提高效率，降低高重复性工作的时间和经济成本。

参考文献

[1] A. Jahanian, J. Liu, D. Tretter, Q. Lin, E. O’Brien-Strain, S. Lee, N. Lyons, and J. P. Allebach. "Automatic Design of Colors for Magazine Covers". In Proc. IS&T/SPIE Electronic Imaging, International Society for Optics and Photonics, 2013

[2] X. Y. Yang, T. Mei, Y. Q. Xu, Y. Rui, S. P. Li. "Automatic Generation of Visual-Textual Presentation Layout". ACM Transactions on Multimedia Computing, Communications, and Applications, 2017

[3] David G. Lowe. "Distinctive Image Features from Scale-Invariant Keypoints". International journal of computer vision, 2004

[4] Alex Krizhevsky, Ilya Sutskever, Geoffrey E. Hinton. "ImageNet Classification with Deep Convolutional Neural Networks". NIPS, 2012

[5] I. Goodfellow, J. Pouget-Abadie, M. Mirza, B. Xu, D. Warde-Farley, S. Ozair, A. Courville, Y. Bengio. "Generative Adversarial Networks". NIPS, 2014

[6] K. Kawakami. "Supervised Sequence Labelling with Recurrent Neural Networks". Studies in Computational Intelligence, 2008

[7] T. Mikolov. "Statistical Language Models based on Neural Networks". 2012

[8] L. Yu, W. Zhang, J. Wang, Y. Yu. "SeqGAN: Sequence Generative Adversarial Nets with Policy Gradient". AAAI, 2017

[9] L.A. Gatys, A.S. Ecker, M. Bethge. "Image Style Transfer Using Convolutional Neural Networks". CVPR, 2016

[10] Y. Li, M.Y. Liu, X. Li, M.H. Yang, J. Kautz. "A Closed-form Solution to Photorealistic Image Stylization". ECCV, 2018

[11] J. Long, E. Shelhamer, T. Darrell. "Fully Convolutional Networks for Semantic Segmentation". CVPR, 2015

[12] L.C. Chen, Y. Zhu, G. Papandreou, F. Schroff, H. Adam. "Encoder-Decoder with Atrous Separable Convolution for Semantic Image Segmentation". ECCV, 2018

[13] J.Y. Zhu, T. Park, P. Isola, A. A. Efros. "Unpaired Image-to-Image Translation using Cycle-Consistent Adversarial Networks". ICCV, 2017

作者简介

晓星，2017年6月加入美团，目前主要负责美团外卖图像内容挖掘、增强、生成方面的相关工作，致力于图像相关技术的积累及落地。

欢迎加入美团深度技术交流群 ，跟项目维护者零距离交流。进群方式：请加美美同学微信（微信号：MTDPtech02 ），回复：AI ，美美会自动拉你进群。

相关问答

1、打开AI软件,我们导入软件中的是一张图片,我们要做的是将图片中的树叶做成矢量的2、我们将图片导入到AI中,点击编辑栏中的‘图形描摹’3、点击‘图形描摹...

2.图片和图形:使用高质量的图片和图形可以增加海报的吸引力。选择与主题相关的图片和图形,可以更好地传达信息。3.颜色和排版:颜色和排版也是制作海报时需要...

在电脑上制作海报宣传图片需要使用专业的图形设计软件,如AdobePhotoshop、GIMP等。以下是制作海报宣传图片的步骤:1.确定主题和内容:首先要明确海报的主题和...

用Photoshop、InDesign、Illustrator、CorelDraw都是可以做的,一般排版比较重要那就用InDesign,如果图像合成比较重要那就Photoshop,如果是插画类的...

1、海报是一种宣传品,需要设计合理,引人注目。2、制作海报需要考虑海报的主题、目标人群、文案和图片的搭配等因素。3、在设计海报时,可以使用各种软件和工具...

要制作电子海报,你需要先选择一款具备海报设计功能的软件,并掌握其基本操作。接着,选择一个主题并确定海报版面,包括排版、字体、色彩、图片等内容。在编辑过...

4、用“格式”工具栏中的“分栏”、“首字下沉”制作特殊效果。5、用“绘图”按钮中的功能做些修饰。用完这些功能,你的排版得一定很好看。(插入-图片-来自文...

智能排版指的是利用计算机技术和算法对文本、图像等资料进行自动化的布局和排版。这种排版方式可以自动完成字体、字号、行距、段落间距、图文对齐、版面设置...

制作电脑海报可以按照以下步骤进行:准备电脑和海报制作软件,如AdobePhotoshop、CorelDRAW或Illustrator等。收集需要的图片和文字,可以从网上搜索或自己拍...

1.抖店装修海报可以通过多种方式进行编辑。2.首先,可以使用专业的设计软件如Photoshop或Illustrator来进行编辑,这些软件提供了丰富的功能和工具,可以进行图...