李 珂

（南京理工大学,江苏南京 210094）

家具是与人类密切相关的主题，作为一个具有深刻文化内涵的产品，家具既是技术与艺术的统一，也是传统与创新的统一，设计师在进行家具的设计中，既需要考虑人们的物质需求，同时也应该满足人们的精神需求。随着人类生活水平的不断提高，大众对家居环境也存在新的追求，其家居环境中的家具作为必不可少的一部分，已经成为一种特殊的文化符号[1]。同时，伴随着我国近年来经济大转型的背景，产业结构和布局的调整，自主品牌的设计研发和“中国制造”向“中国智造”的转变也在不断加强。因此，制造业的追求的原创设计也在不断影响各行各业的行业设计和创造。同时，家具行业也在潮流之下，迎来了越来越多的原创家具品牌。目前，顺应发展大势，发展起来的主要有吱音、梵几、木智工坊等原创家具品牌[2]。这些品牌的设计理念，生产工艺以及家具品质等都具有较为出色的表现和市场反馈。

但是，随着家具设计方向的发展，其行业的发展瓶颈也逐渐到来，首先，越来越多的新产品在设计上跳不出目前的北欧风、日系风和新中式等有限的几个设计思路和产品标签，存在设计风格和设计理念固化的趋势，难以形成丰富、多元化、跨领域的家具设计理念和发展局面。创新性的缺乏是导致这种现象发生的主要原因[3]。其次，随着大众对家居环境的不断追求，但是，由于家具设计本身复杂的性质，其对于制作成本，质量，创意都有较高的要求，导致家具设计行业频频出现投入高，收益低的现象。更加剧了家具设计行业发展瓶颈的到来。而在科技高速发展的今天，大数据、人工智能等名词不断冲进各行各业的行业发展，为其他行业带来了全新的理念和发展方向。而在一直依靠传统的人类灵感和经验进行发展的设计行业，人工智能与设计行业的碰撞也带来了潜在的新的生产力工具，为家具设计的发展带来了新的发展思路。通过深度学习技术，利用计算机进行家具设计的训练学习，最后利用人工智能进行新属性的家具设计，不失为一种新的家具设计思路。在图片生成领域，生成对抗网络（GAN）备受计算机领域的推崇。由于生成对抗网在图像自动生成领域具有巨大的发展潜力，许多研究者尝试从GAN入手，实现家具外形图片的自动生成，为创作者带来了灵感，还节省了巨额创作开支。

一、国内外进展

1.家具设计风格介绍

家具由于其较为重要的生活属性和家庭装饰属性，因此家具的设计由于其民族特点、风俗习惯以及地理气候和制作技巧的不同，各国家地区对于家具设计具有不同的风格和设计理念。目前，世界上较为主流的几种家具设计风格主要包括欧洲风格、美式风格以及中式风格等几种主要的家具设计风格。

欧洲家具主要分为三大类，分别为北欧家具、意大利家具以及德国家具三种。其中，北欧家具较为注重手工艺技术与审美的结合，因此其产品设计师、工匠和家具公司具有较为紧密的联系和合作，将家具的天然美作为设计的需求和理念，其家具设计更讲究简洁精巧。而享誉世界的意大利家具讲究其意大利传统设计与现代设计的融合，形成了以米兰为中心的家具设计和制造中心。而德国家具的设计理念则是德国人一贯的严谨理性、牢固耐用的原则，致力于形式与材料、工艺和设计的双重统一。

而美国家具则贯承了美国人的一贯风格，其家具设计不拘小节，更讲究粗狂、大气的美感。因此美式家具也更显得简洁，线条明晰，装饰更为得体有度，不同于“披金带银”的欧式家具设计风格。

我国则由于南北方生活习性差异较大，各地传统文化存在较为丰富的差异，因此，我国传统家具也呈现较为多样的设计理念[4]。发展至今，最能代表我国家具设计风格的主要为传统中式家具设计以及新中式风格家具设计两种。其中传统中式家具设计主要名贵稀有木材进行设计制造，讲究做工严谨精细，例如明式家具中的榫卯结构需要进行纯手工打造，区别于现在的工业化生产设计。因此其制作成本也较为高昂，受众面较小。而新中式家居设计为近几年在国内市场较为流行的家具产品设计风格。新中式家具一般使用生长年限较短的水曲柳、楠木、核桃木等进行设计制造，且其设计过程中使用的钉子、胶水等工具也大大降低的纯人工打造造成的高成本。综上，目前家具设计已经形成较为风格固化的几类家具设计风格，为推陈出新，打造新的家具设计风格也是目前很多设计师不断追求和设计的理念。

2.深度学习研究进展

而随着近年来人工智能的火爆，利用深度学习知识进行艺术乃至家具的创作与设计，前人也进行了诸多的研究。王[5]等人通过分析印象派美术作品的内存频率特征，联系蛋白质序列内部各级微观结构特征，描述结构特点、微观空间结构表达方式等自然属性，分析生成式对抗网络的模型与算法特征，建立起蛋白质自然属性与绘画艺术的深度学习框架。开发实现了蛋白质与美术 作品间跨界融合的模型和算法。舒[6]等人则结合深度学习技术，实现了创意绘画的自动生成，同时实现绘画风格的模拟，进而输出全新的AI绘画作品。阮[7]等人对深度学习技术与茶馆类建筑设计中的应用进行了分析研究，探究了深度学习在建筑设计中的应用价值，为建筑设计的应用打开了新的思路。而Yao[8]等人则是在公共建筑中疏散模型的设计中，将深度学习技术应用与疏散模型的设计优化进行了结合，实现了深度学习领域在建筑设计中的具体应用。由此看出，深度学习技术在设计领域目前已经有了较为不错的尝试和结果，诸多前人通过深度学习技术与传统设计行业的结合，进行大胆的尝试和改进，产生了诸多优秀的艺术作品和研究成果。

二、生成对抗网络介绍

生成对抗网络属于人工智能领域，通俗含义主要为通过对某一事物（图片）大量数据的学习，来学习总结出其在数学层面上的分布规律，构建出合理的映射函数，从而解决现实问题。

GAN的全称是Generative adversarial network，中文翻译过来就是生成对抗网络。生成对抗网络其实是两个网络的组合：生成网络（Generator）和判别网络（Discriminator）。其中，生成网络也叫生成器，负责生成模拟数据并输入判别器，目的为尽可能通过判别器，并进行数据的输出；判别网络负责判断输入的数据是真实的还是生成的[9]。

在GAN图片生成训练的过程中，生成网络要不断优化自己生成的图片让判别网络判断不出来，判别网络也要通过所给真实图片的学习，来优化自己让自己判断得更准确。二者关系形成对抗，交替训练，生成器生成的图片越来越接近于真实图片数据，而判别器的鉴定水平也越来越高，进行真假图片的判断鉴别。直到生成网络的生成图片可以以假乱真，与判别网络的判别能力达到均衡的目的，因此叫对抗网络[10]。

生成对抗网络被认为是当前最具前景、最具活跃度的模型之一，也有与艺术设计等专业联系最为紧密的人工智能网络。目前主要应用于样本数据生成、图像生成、图像修复、图像转换、文本生成等方向。

图1 GAN训练流程

三、数据介绍

在本文中，本文选取椅子作为家具设计的对象。由于椅子结构较为简单，与其他大型复杂家具相比，不存在“科技黑箱”设计，可以一眼洞穿椅子的形状、结构。因此，也较为利于生成对抗网络生成实验的成功实施。为进行生成对抗网络（GAN）生成椅子图片的训练，本文选取椅子图片共150张，并截取部分图片如表1所示。其中，为方便生成对抗网络对图片的识别和训练网络的成功构建，本文在图片收集和筛选过程中做了如下规范：（1）本文对所用椅子图片大小进行了统一，图片分辨率均为400×400像素；（2）每幅图片中仅包含一把完整的椅子，防止单幅图片椅子过多对网络训练造成困难；（3）每幅图片中背景均为白色纯色，避免过度的背景因素对图像的训练产生干扰；（4）本文中所有椅子种类进行了统一，均为单人椅。图片来源为北欧橱窗Nordic网站（https://www.nordic.com.tw）。

图2 部分椅子图片

四、设计生成过程

本文通过150幅椅子图片，进行GAN网络中判别器的训练，利用真实的150幅椅子图片，将图片输入判别器中，进行判别器对椅子的识别和判断学习，锻炼判别器正确识别椅子的能力，即提升判别器正确鉴别“真假椅子”图片的能力。同时，生成器也在不断生成“椅子”图片，并根据判别器对假“椅子”图片的反馈，不断地进行生成“椅子”图片的学习改进。通过2000轮的生成对抗神经网络的训练，得出结果如图3所示，从图中可以看出，在2000轮的生成对抗网络训练过程中，生成的椅子图片由开始的第一轮的随机点、随机颜色图片，逐渐生成为存在一定规则、无形状的图片，最终逐渐生成为有椅子大致轮廓、形状和颜色的图片，随着生成对抗网络训练次数的不断增加，其生成和判断能力的不断学习、加强，最终在第2000轮的训练中生成了具有具体形状、规则和颜色的椅子图片。整个训练过程持续近8h，通过计算机一天的训练，得出具有初步椅子形态、颜色的图案。

图3 椅子学习训练过程

五、结果与讨论

从第1000轮开始，初次出现存在椅子形状的图片，其中1000轮、1500轮、1800轮和2000轮均出现不同颜色风格的椅子图片，且均为150幅椅子图片中不曾出现的椅子风格和颜色的图片，满足设计所需要的原创椅子设计的自动生成实验。

同时，也可以看出，在训练过程中，随着训练次数的不断增加，生成器生成椅子图片水平不断提高，判别器通过不断对真实椅子图片的学习，其判断真假椅子图片的能力也不断加强，其两者的近2000轮训练和学习过程，基本达到了利用人工智能进行椅子图片自动生成的效果。从效果图中可以看出，经过近2000轮的训练，其最终结果：生成的椅子图片无论是形状、轮廓或者椅子的颜色均与现实中的椅子图片有了较大程度的符合，其生成的椅子结果符合现实椅子的基本需求。这也证明了利用深度学习技术进行椅子乃至其他家具设计的可行性，为其他家具设计瓶颈打开了新的思路，实现了现代的人工智能技术与传统的家具设计的完美结合，为其他的人工智能设计思路打下了基础。

但是利用深度学习神经网络进行椅子乃至其他家具的自动设计也仅为一个初步的探索，虽然本文结果满足初步的椅子自动设计生成的需求，目前仍存在一些不可忽略的问题和不足。

首先，从本文得出的结果可以看出，在利用深度学习进行家具的自动生成中，其最终实现的生成效果具有较大不不确定性，存在色彩、形状乃至结构与现代审美的差异。而家具设计需要进行材质、色彩、功能等多个因素的一同捏合打造，如何利用深度学习神经网络进行符合现代大众审美、符合社会潮流以及具有较大实用价值的家具设计依旧属于目前不能实现的目标，这也是本文进行后续研究的一个方向与思路。

其次，对于目前的利用深度学习进行家具设计的自动生成，也存在不同种类的家具设计依旧存在短板。由于其生成原理为利用家具图片进行家具图片的生成设计，因此目前仅限于对结构较为简单的桌、椅等家具的自动设计生成，而对于结构较为复杂，存在内部空间和内部结构的橱、柜等家具，则不能通过家具图片进行家具的全面设计生成，在未来通过深度学习技术的发展与进步，为以后根据家具三视图进行复杂家具的AI自动设计提供了全新的研究方向。