鲁班，视觉生成引擎的应用

丰富的线上&线下活动，深入探索云世界

做任务，得社区积分和周边

最真实的开发者用云体验

让每位学生受益于普惠算力

让创作激发创新

资深技术专家手把手带教

遇见技术追梦人

技术交流，直击现场

海量开发者使用工具、手册，免费下载

极速、全面、稳定、安全的开源镜像

开发手册、白皮书、案例集等实战精华

为开发者定制的Chrome浏览器插件

摘要：本文介绍了视觉生成的现状，智能设计的框架和流程、应用案例及未来前景。通过本文的学习，可以对视觉生成有基础性的认识，了解行业的现状以及未来的发展趋势。

演讲嘉宾简介：谢宣松（星瞳），谢宣松（星瞳），阿里巴巴机器智能技术实验室资深算法专家，专注于视觉生成、智能医疗、图像搜索、信息抽取等方面技术研发和落地；阿里巴巴智能设计（鲁班）的创始成员和技术负责人，医疗影像智能诊断方向负责人，图像搜索拍立淘的早期创始成员。

一、定义、目标和愿景

目标：可控视觉内容设计和生成，让AI做设计，使数字内容制造变得高质、高效、普惠、低成本；

愿景：所想，即所见。

视觉生成主要分成三个方向。第一，针对非结构化的图像，如图像。第二，针对结构化的图形。第三，针对视频。

二、设计行业现状

从技术上说，近几年，大家常提到供给侧改革，以前的供给侧基本都是通过人或工具来形成图像、视频等，但这样有很大的局限性，包括：

而在消费端，对个性化、精准度、实时性有很高的需求。因此，在供给和需求之间还存在差距。在AI行业中，IN的多：识别、理解、搜索。OUT的少：生成、融合还限于学术圈，系统性落地工程、可商用的产品没有。

因此，“Thebestwaytopredictistocreate.”。

三、使用场景

视觉生成引擎的使用场景大致可抽象成下图。以显式输入而言，用户可以输入标签需要的风格、色彩、构图等，或者输入一个例子，或者进行一些交互的输入。除显式输入之外还可以有隐式输入，比如人群信息、场景信息、上下文信息等。总的来说，输入可以是千变万化的，但通过规范化之后就会减少变化。

对视觉生成引擎来说，它要求输入是规范化的。但在输入前，可以加入各种交互方式，如自然语言处理，语音识别等，将其转化成规范化输入。最后输出结构化信息或可视成图。

四、技术框架和生产流程

其技术框架如下图左侧。首先对视觉内容进行结构化理解，如分类、量化、特征化。其次通过一系列学习、决策变成满足用户需求的结构化信息即数据，最后将数据转化成可视的图像或视频。这一框架依赖于大量的现有数据。其核心是一个设计内核。同时，引入效用循环，利用使用后的反馈来不断迭代和改进系统。

其生产流程分成六个步骤，如下图右侧所示。首先用户提出需求，将需求特征化转变成系统可以理解的结构化信息。其次将信息进行规划得到草图。有了粗略的草图后再将其转变成相对更精确的图，然后调整细节，最后通过数据可视化形成最终的图。

五、关键算法

下面介绍一些关键算法。我们希望基于下图最左的耐克鞋生成最右的图。先通过规划器得到草图，再通过强化学习获得相对细致的结果，再通过对抗学习及渲染算法得到图片，再通过评估器进行评估，最后形成业务闭环，其中会包含联合特征及多维度检索算法等。

基本上，处理的第一步是将图片中的信息结构化，这也是与现有的识别理解技术结合最紧密的地方。其中的难点和重点包括，对图像中多目标的识别、遮挡和互包含情况如何得到分割的信息等。

有了结构化信息之后，需要对信息进行量化。可以量化成特征或量化图。量化过程中会包含很多信息，比如主题风格、布局配色、元素种类、量化空间等。有了这些信息后可以在主题、种类、风格、视觉特征大小位置上，量化成各种码，用相对有限的特征来表达无限的图。

下一步是通过用户的输入，得到一个相对粗略的结果即草图。目前主要使用的是深度序列学习。从图像角度，首先选定一个点的像素颜色再选择位置，再迭代进行操作，最后形成一张图。规划器模拟的就是这个过程。本质上预测过程是一棵树，当然也可以拆成一条条路径。为了简化，可以分成几步进行，比如空间序列，视觉序列。最后形成量化特征模型，主要应用的是LSTM模型。它把设计的过程转化成基于递归、循环的过程。

得到草图后，利用行动器将草图细化。如果将图中的每个元素看作一个Agent，那么它将有若干个可选的行动空间。

假设一张图中有20个元素，每个元素在视觉上有多种可选的行动空间，由其组合成的可选行动空间非常庞大。我们有很多trick可以解决这一问题，比如在空间上，只允许在有限范围内进行变动，且行动方向有序，即状态有序，行动有限。

下一步是如何衡量结果的好坏。图像的评估相对比较主观，主要可以从美学和效果两方面来评估。美学角度可以包括是否对齐、色系搭配是否合理、有无遮挡这些较低级别的判断标准，以及较高级的，比如风格是否一致，是否切合主题。从效果上，产品投放后是否会在点击率等方面实现提升。最后将多个指标形成对应权重并形成多个DeepLR联合模型。

但在衡量结果之前，需要形成像素级别可见的图。这里有以下几种构造器分类，包临摹、迁移、创造、搭配与生成。

前面介绍了，如何通过用户的需求形成可见的图。后续还需要进行投放和反馈并进行优化，形成效用外循环。这样才能使得系统效用不断得到提升。

六、业务进展

下图是该系统在阿里巴巴内的业务进展。

下面是一些实际的例子。

在这个系统中也加入了大量的人的信息，知识图谱。设计师在进行设计时都会存在一些共性的东西，包括在色彩、复杂度、风格、结构上的应用，这与自然语言处理有些相似，但自然语言处理方面的知识图谱已经非常成熟。

在影响力方面，鲁班作为业界首创的AI设计系统，成为集团双十一的一个AI协同典型案例，获得了大量的报道。在其中，运用了对抗学习，该技术入选了MIT018全球十大突破性技术。

七、案例展示

下面是各种风格和质感的效果图展示。

从多样性看，生成的图片可以是多主体、多主体、多配色和类型自适应的。

同时，也可以生成多种尺寸的图片。

八、鹿班

鲁班这款产品在集团内得到了很好地应用效果，并通过阿里云服务一些外部商家，后期鲁班可能会改名为鹿班。

九、前景展望

上面所说的基本都是平面设计层面的。但在视频和图形上是另一片蓝海。如果说人工做一张图片的成本比较高，而制作视频的成本则远高于图片。

下图是目前的行业市场空间展示。

下图是网球赛中将阿里巴巴的品牌logo无缝投影到赛场中。

为了强调视频中的一部分，可以生成整体静止局部运动的可循环视频。

在游戏领域中，现在的游戏场景需要大量的美工、设计师等。如果希望生成的结果能满足多样性，那么纯靠人工进行需要大量的成本，并且由于游戏的生命周期通常较短，因此批量高效的场景制作是一个很有前景的应用。

通过视觉生成引擎，我们希望能基于用户的所想，使得一切皆可生成。长远的目标就是所想，即所见。