Adaptación de dominio basado en GAN para la generación de diseño consciente de la imagen en el diseño de carteles...

Área de la Ciencia:

• Visión por computadora
• Inteligencia artificial
• Diseño gráfico

Sus antecedentes:

• Los modelos de aprendizaje profundo se utilizan cada vez más para la generación de diseños gráficos.
• La generación de diseños de carteles publicitarios realistas requiere imágenes y diseños de productos emparejados.
• Los métodos existentes se enfrentan a desafíos debido a las brechas de dominio entre las imágenes reales y el contenido generado.

Objetivo del estudio:

• Desarrollar modelos avanzados basados en redes adversarias generativas (GAN) para la generación de diseños gráficos conscientes de la imagen.
• Introducir el conjunto de datos de diseño gráfico orientado al contenido (CGL-Dataset) para la formación y evaluación de modelos de generación de diseño.
• Proponer nuevas métricas orientadas al contenido para evaluar la calidad del diseño.

Principales métodos:

• Introducción del conjunto de datos de diseño gráfico consciente del contenido (CGL-Dataset) con imágenes de productos emparejadas y carteles pintados.
• Desarrollo de dos modelos basados en GAN: CGL-GAN (utilizando desenfoque gaussiano) y PDA-GAN (incluyendo adaptación de dominio sin supervisión con un discriminador a nivel de píxeles).
• Propuesta de tres nuevas métricas sensibles al contenido para evaluar la generación de diseños.

Principales resultados:

• PDA-GAN cierra efectivamente la brecha de dominio entre los carteles pintados y las imágenes limpias del producto.
• El discriminador a nivel de píxeles en PDA-GAN mejora la generación de diseños conscientes de la imagen.
• Las evaluaciones cuantitativas y cualitativas muestran el estado de la técnica para PDA-GAN.

Conclusiones:

• El modelo PDA-GAN propuesto logra un rendimiento superior en la generación de diseños gráficos de alta calidad y sensibles a la imagen para carteles publicitarios.
• El conjunto de datos CGL y las nuevas métricas facilitan una mayor investigación en la generación de diseños gráficos condicionales.
• El aprendizaje profundo, particularmente las GAN con adaptación de dominio, muestra un potencial significativo para el diseño gráfico automatizado.