AIGC模型训练：为设计创新提供强大动力-58同城
在上一期的文章中，我们探讨了AIGC如何拉升设计生产力，并介绍了赶集设计AI资产库的搭建、AI设计语言表达以及AI生产流程等内容。在本期文章中，我们将继续分享赶集在AIGC设计价值、AI设计系统、设计流程优化等方面的学习沉淀，其中将重点介绍SD模型训练如何为设计带来效率提升和创造性。
我们不断研究和探索AIGC，主要是因为其所带来的设计价值非常高。具体来说，AIGC的价值可以体现在以下4个方面：
1、提升设计效率：通过利用AI学习技术，从庞大的图谱中自动提取设计元素，生成高质量的设计方案，从而大大缩短设计周期。
2、扩展设计多样性：通过算法生成多种设计方案，为设计师提供更多的选择，有助于找到最佳方案。
3、优化设计流程：自动完成一些繁琐的设计任务，让设计师专注于创意和细节。
4、创造新的设计模式：探索新的自动设计、协同设计模式。
要发挥AIGC的优势，需要建立完善的AIGC设计系统。这个系统应该包括以下三个主要方面：
1、AIGC设计资产库
建立分类细致的AIGC素材库，包括人物库、道具库、场景库和IP库等。这些素材库需要不断积累和更新，以提高素材的质量和符合赶集设计语言的风格。
2、AIGC技术应用标准
建立自己的技术使用标准，让任何能力的使用和推广都能够有章可循。这需要将各种能力融入到现有的流程中，提高效率和质量。跑通每一个流程，从MJ工具的创意挖掘到SD工具的精准控制画面。整理归纳AI技术在视觉表现上的方法，同时也把近期的SD模型训练补充进来，利用模型进行视觉设计在创意和效率都有提升。
3、AI设计语言规范
在赶集原有的视觉语言规范基础上，完成AI语言的设计规范，进而确定模型训练的方向，模型训练围绕语言的行、色、质、动的维度进行了4大模型的训练，即符号创意模型、人物模型、质感模型、IP模型。
随着技术的不断发展，SD模型训练也将迎来更多的突破和创新。其中，LoRA是当下模型可控化定制化的最优解。通过训练比原来模型小很多的低秩矩阵来达到学习特定画风和人物的目的，然后再通过LoRA进行推断生成特定画风和人物的效果。LoRA模型所需素材体量小、对于硬件设备要求较低、训练方法比较简单、训练效果比较直接等。赶集设计围绕设计语言的行、色、质、动维度进行更加深入的训练和研究，以实现更加精准的控制画面效果和生成更加高质量的设计方案。
1、符号创意模型
通过Lora模型训练将超级符号与行业紧密结合，创造出更具有辨识度和视觉冲击力的设计方案。这种模型的训练和应用可以帮助设计师更快速地生成符合品牌需求的创意设计。
在没有训练自己的场景符号模型前，我们是通过大模型结合SEG色彩分割方法，做到环境道具自由切换，从原来PS合成需要较高的设计经验和时间成本，现在看还是比较耗时耗力的，细节也取决于线稿的丰富度。
有了符号模型，不再需要草图绘制或者PS合成初稿复杂前期工作，可直接通过模型文字描述就直出带符号的创意场景画面，画面自然和谐，只需要更改场景描述即可调整细节，帮助运营活动快速生成带符号的场景。
2、赶集质感模型
利用Lora模型在质感的丰富表现上做到完美呈现是未来模型训练的一个重要方向，通过建立质感模型并应用在设计中，可以提升设计的整体质感，使整个设计方案更加精致和高品质。
利用之前沉淀的AI质感素材进行训练集的准备。
模型通过prompt直出带场景和素材道具，保证质感统一协调。
3、赶集人物模型
通过沉淀的一批AI人物素材，进行SD人物模型训练，可以直接生成真实的不同职业任务形象，五官与服装更加真实，可以自由定制动作服装场景等。同时AI语言规范定义了人物动态，围绕始终向上的价值观，通过AI实现了理想效果，并沉淀了动作的标准规范，AI素材也遵循设计语言中的色彩规范，保证与行业的联系性。
SD人物骨骼标准动作的沉淀
训练集素材准备
通过训练出的人物模型还原真实人物的质感
模型人物遵循行业规范
4、赶集驴IP模型
IP模型的应用可以快速生成符合IP形象的设计方案，并且可以在不同的场景下灵活运用。这种模型的训练和应用可以帮助设计师更快速地生成符合IP形象的创意设计，提高设计的多样性和丰富性。
5、规范下的设计流程优化
在应用SD模型后，设计师可以将更多的时间和精力投入到创意设计和用户体验方面，而不需要过多地关注繁琐的设计制作过程。较之前的设计流程提效30%左右，这样可以大大提高设计效率和质量，同时也可以帮助设计师更好地发挥自己的创造力和想象力。
虽然人工智能技术的进步令人瞩目，但只要我们确定好设计方向和目标，有计划地学习和实践，就能跟上AI的步伐。未来，AIGC将会越来越普及，成为设计师必备的技能之一。同时，随着技术的不断发展，AIGC设计系统将会更加智能、高效和易用。未来的设计流程将更加简洁和流畅，设计师只需要通过简单的操作就可以实现设计目标。通过建立完善的AIGC设计系统和标准规范，以及不断迭代训练模型，我们可以实现更加精准、高效的设计目标。展望未来，借助人工智能的强大功能，我们可以期待设计领域的进一步创新和发展。
