基于西方抽象畫風格的數(shù)字圖案仿真綜述

馬聰聰 羅戎蕾

摘要： 服裝圖案的設計方法豐富多樣，其中基于經典繪畫圖案進行仿真重塑是主要的創(chuàng)作手法之一。西方抽象繪畫由于簡潔而又富含藝術價值，成為計算機模擬經典繪畫領域中的一大組成部分。為了擴展服飾圖案的數(shù)字化生成方法，文章分別從生成式方法和變換式方法兩個角度對當下的西方抽象繪畫圖案仿真技術進行歸納比較，分析得出了各類方法的使用特性和圖形評價方法。論述了抽象仿真繪畫與服裝圖案的關系，討論分析了抽象仿真圖案在服飾領域的應用現(xiàn)狀與難題，最后提出了該領域未來的發(fā)展趨勢與研究方向。

關鍵詞： 服裝圖案;西方抽象繪畫;圖案仿真;生成式方法;變換式方法

中圖分類號： TS941.26

文獻標志碼： A

文章編號： 1001-7003（2021）12-0117-09

引用頁碼： 121302

DOI： 10.3969/j.issn.1001-7003.2021.12.019（篇序）

Abstract： There are a variety of design methods of clothing pattern， among which the simulation remodeling based on classic painting is one of the primary creation techniques. Western abstract paintings which are simple and rich in artistic value have become a major component of computer simulation in the field of classic painting. In order to expand the digital generation methods of clothing pattern， through the summary and comparison of the current simulation technologies of Western abstract painting pattern from two perspectives of generative methods and transform methods， the characteristics of the use of different methods and the methods of pattern evaluation were analyzed and obtained. Then the relationship between abstract simulation paintings and clothing pattern was elaborated， the application status and problems of abstract simulation pattern in clothing field were analyzed. Finally， the future development trends and research directions in this field were proposed.

Key words： clothing pattern; western abstract painting; pattern simulation; generative approach; transform methods

隨著計算機技術的發(fā)展，越來越多的產業(yè)開始向智能化方向靠攏，服飾圖案設計也不例外。由于人們審美能力的提高，西方抽象繪畫藝術日益受到關注，其裝飾價值不斷被挖掘與利用。隨著計算機圖形學和印刷技術的發(fā)展，自動生成抽象繪畫已成為可能[1]。繪畫機器人AARON將軟件人工智能與機器人繪畫設備相結合，能夠自動繪制靜物和人物肖像，開啟了AI繪畫的先河。近年來，已有大量研究以數(shù)學或統(tǒng)計方式理解抽象藝術，甚至將編程與抽象藝術的結合納入教學課程改革[2-3]，這為科學仿真抽象繪畫奠定了理論基礎。以往，對于仿真抽象繪畫的研究主要集中在算法、推理規(guī)則和筆觸渲染的研究上。近五年，隨著機器學習和深度學習技術的興起，多數(shù)研究聚焦于抽象繪畫的全自動智能生成[4]。在數(shù)字科技與數(shù)字時尚的背景下，抽象畫的仿真研究不僅豐富了服飾圖案的設計素材，也促進了時尚藝術的不斷前進。

本文立足于西方抽象繪畫，根據(jù)是否基于圖像將仿真方法歸納為兩大類，分別是生成式方法和變換式方法。根據(jù)仿真原理的差異性對兩類方法進行了細分和比較，歸納了仿真圖形的評價方法。最后討論分析了抽象仿真圖案在服裝領域的應用現(xiàn)狀與難題，提出了該領域未來的發(fā)展趨勢和研究方向。

1?西方抽象畫的特征分析

1.1?西方抽象畫的分類與特征

西方抽象主義繪畫是20世紀以來在歐美各國興起的美術思潮和流派。在西方藝術論著中，抽象藝術是一種與視覺現(xiàn)實沒有可辨認關系的藝術，它用形狀、色彩和線條等元素表現(xiàn)藝術家的內心世界[5]。根據(jù)內心世界熱情和冷靜的區(qū)別，形成了兩類大眾普遍認可的流派。一類是從高更的藝術理論出發(fā)，經馬蒂斯的野獸主義發(fā)展而成的具有浪漫主義傾向的“抒情抽象”，代表人物有康定斯基、杰克遜·波洛克等。另一類是從塞尚和修拉的繪畫理論出發(fā)，通過立體主義發(fā)展成的“幾何抽象”，代表人物有蒙德里安、馬列維奇等。兩類抽象流派的特征與區(qū)別如表1所示。

1.2?數(shù)字仿真西方抽象畫的意義

西方抽象畫常用二維平面來再現(xiàn)事物，忽視所有的細節(jié)和深度，用僵硬的、奇異的或鋸齒狀的線條構成簡化外形，并采用非現(xiàn)實的色彩代替事物的固有色彩[6]。而古典繪畫描繪的風景和人物，非常強調自然的形狀，色彩和精致的技巧。因此，抽象藝術更適合使用計算方法自動生成[4]。當前，計算機圖形技術已經可以生成藝術家特定樣式的抽象圖像，甚至可以創(chuàng)新。這不僅為圖案設計師提供了新的創(chuàng)作思維和手段[7-8]，也大幅度提升了圖案設計效率。與此同時，仿真抽象繪畫技術的出現(xiàn)使得藝術家開始探索新的藝術形式，促進了藝術繪畫的前進與發(fā)展。

2?基于生成式方法的西方抽象畫仿真

西方抽象畫仿真方法分為兩大類別，一類是基于生成式的方法，無需輸入圖像即可直接生成抽象畫作[9-10]。另一類是基于變換式的方法，以輸入圖像為基礎，進行抽象風格合成[11]。生成式方法是指運用數(shù)學或物理模型對抽象畫作進行模擬或創(chuàng)新的類方法。目前較為集中的仿真技術有五類，分別是物理模型法、形狀語法、基于規(guī)則建模法、分層建模法和生成式對抗網絡。

2.1?物理模型法

物理模型法是一種較為直觀的抽象繪畫仿真方法，具有較強的交互性。流體射流模型是常見的物理模型，能夠生成較多種類的藝術圖案[12-13]。Lee S等[14]設計了一個交互式系統(tǒng)模仿波洛克的抽象繪畫。系統(tǒng)包含一個用于軸對稱流體柱的Navier-Stokes求解器和一個用于跟蹤射流軸線3D運動的鏈接質量系統(tǒng)，用算法生成高速液滴撞擊產生的飛濺圖案，如圖1所示。并且用戶可實時分析滴彩畫的分形特性，根據(jù)數(shù)據(jù)進一步調整圖案[15]。Marbling是一種在紙或者織物上制作彩色流體狀圖案的傳統(tǒng)抽象藝術，使用物理仿真方法更貼近其工藝原理，能生成較好的藝術效果?；贑PU平臺，Akgun開發(fā)了可生成土耳其風格Marbling紋理的智能系統(tǒng)[16]。Acar等[17]提出用多尺度流體模型來創(chuàng)建高度紊亂的Marbling圖案，如圖2所示。金小剛等[18]基于GPU平臺開發(fā)了一個實時的Marbling紋理設計框架，但是產生的圖案比較模糊，不能滿足邊界清晰的特點，如圖3所示。為改善圖案清晰度，許佳奕等[19]在模型中引入了復雜的高階對流模式;Ando等[20]用顯式表面跟蹤方法創(chuàng)建了矢量格式的Marbling圖案。

2.2?形狀語法

形狀語法是一種計算機輔助設計方法，它以帶符號的形狀作為基本元素，采用語法結構分析和產生新形狀，可以用來生成徽標等圖案[21]。形狀語法可以表示為一個具有四個分量的函數(shù)，即SG=（S，L，R，I）[22]，其中S、L、R分別是形狀、符號、規(guī)則的有限集合。規(guī)則的基本形式為α→β，α是形狀推理的左形狀，α∈（S，L）+;β是形狀推理的右形狀，β∈（S，L）*;（S，L）+是由形狀和符號組成的集合，（S，L）*則是（S，L）+∪（SΦ，L）;I為原始形狀，I∈（S，L）+。用形狀語法生成抽象繪畫分為四步[23]：首先分析目標繪畫的特點，包括構圖規(guī)則、圖形組織等;其次利用語法規(guī)則對典型圖形進行演化，生成基本圖形單元;然后對基本圖形進行派生，得到新的圖形元素;最后選擇衍生的圖形元素，運用特定的設計規(guī)則對圖形進行組織和重構。Kirsch等[24]在數(shù)據(jù)庫中存儲典型的“米羅形狀”來建?！懊琢_樣式”，對胡安·米羅的《女詩人》進行了形狀編碼，如圖4所示。張康等[25]提出了一個自動生成設計框架，在框架中形狀語法預設規(guī)則，負責生成各種基本設計，而深度學習模型CNN（卷積神經網絡）進一步調整規(guī)則以豐富設計樣式。

2.3?基于規(guī)則建模法

基于規(guī)則建模法是運用可擴展性算法和推理規(guī)則對抽象繪畫的各部分組件進行建模，形成一幅完整的計算機繪畫的方法[26]。風格分析是基于規(guī)則建模的前置步驟，其中涉及分析作品背景色、組件形狀、顏色和布局[27]。施萊格爾將抽象藝術先驅——瓦西里·康定斯基繪畫的美學吸引力描述為“結構化”[28-29]，因此可將康定斯基的藝術繪畫拆解成若干部分，分別模擬。張康等[30]對康定斯基的作品《線的組成》進行了模擬，生成的效果如圖5所示。閆盼蛟[31-32]針對康定斯基仿真作品筆觸粗糙、外觀差異大等問題進行算法改進，模擬了作品《若干個圓》。蒙德里安是著名的幾何抽象派代表畫家。Noll[33]將算法與縮微膠片繪圖儀結合，生成了比蒙德里安作品更具美感的仿真圖案。Michael[34]通過布局算法在二維網格上生成了蒙德里安式的“紅、黃、藍”系列圖像，如圖6所示。抽象畫家卡齊米爾·馬列維奇常使用多種類的四邊形、橢圓形、十字架等幾何形狀創(chuàng)作繪畫[35]。Tao等[36]通過在算法中引入“邊界框”，模擬了著名抽象畫家馬列維奇的畫作，避免了畫面中各部分組件發(fā)生重疊或碰撞的問題。

2.4?分層建模法

分層建模法是軟件體系中的一種算法描述方法，它將多輸入多輸出建模問題分解為一系列單輸入多輸出的數(shù)據(jù)建模問題，提高了系統(tǒng)建模的效率和準確性[37-38]。該方法可以用來仿真復雜的抽象繪畫，例如波洛克的滴彩畫。使用分層建模法的前提是了解畫家的繪制過程，把較為復雜的繪畫結構分解為若干個圖層，針對每一圖層的特點分別進行模擬[32]。鄭巖等[39]借助Processing程序，首次運用分層建模法模擬了波洛克的滴彩畫作品《Number8，1949》，如圖7所示。熊露[37]運用類似的過程模擬方法繪制了胡安·米羅的抽象繪畫《女詩人》，如圖8所示。分層建模法不僅能用來模擬原畫，而且能以偽隨機的形式生成相同風格的不同作品。

2.5?生成式對抗網絡

生成式對抗網絡（GAN）是近年來較熱門的復雜分布無監(jiān)督學習方法之一。GAN巧妙地將對抗性判別器模型與生成器模型相結合。生成器生成數(shù)據(jù)，鑒別器判斷數(shù)據(jù)的真實性，二者相互競爭、相互促進，促使生成與真實圖像難辨真?zhèn)蔚男聢D像[40]。近年來，GAN在圖像生成領域取得了巨大的成就，同時也衍生出許多與繪畫藝術有關的作品。2018年，法國藝術機構Obvious利用GAN生成了藝術作品《埃德蒙·貝拉米肖像》，這是第一件被成功拍賣的智能繪畫作品。李茂等[41]基于K-Means算法，對公共繪畫數(shù)據(jù)集進行色彩分割和數(shù)據(jù)分析，運用GAN學習模型生成了“色塊集合”式抽象畫，如圖9（a）（b）所示。羅格斯大學的藝術與人工智能實驗室在GAN的基礎上進行改進，設計了一套名為創(chuàng)造性對抗網絡（CAN）的人工智能系統(tǒng)[42]。它能夠通過優(yōu)化準則生成富有創(chuàng)造性的抽象藝術作品，如圖9（c）所示。在GAN模型中，深度學習神經網絡因襲已知風格創(chuàng)作作品，并通過另一個神經網絡判斷作品是否合格。但在CAN模型中，判別器則要求生成器最大化地偏離已知藝術風格，因此在這種創(chuàng)新性生成模式中，人工智能不再復制傳統(tǒng)藝術風格，而是遵循藝術的自然發(fā)展道路，對未來的藝術風格發(fā)展趨勢進行預測。

3?基于變換式方法的西方抽象畫仿真

基于變換式的仿真方法是指運用圖像處理技術將數(shù)字圖像轉換為抽象風格繪畫的方法，也被稱為非真實感渲染（NPR）。它在計算機視覺、人機交互、藝術化渲染等領域具有廣泛的應用[43]。變換式仿真方法是現(xiàn)今比較熱門的研究領域，主要仿真技術有筆觸渲染法、分層圖像解析法、風格遷移法等。

3.1?筆觸渲染法

筆觸渲染法是指運用計算機模仿經典抽象繪畫的筆觸或紋理，將其應用到輸入的圖像上的方法。該方法的本質是通過修改許多高頻細節(jié)來抽象化圖像，并且只保留相對低頻的表面和平緩的梯度[27，44]。早期的紋理渲染法是指將虛擬筆觸放置在數(shù)字畫布上，從源圖像開始逐步合成匹配圖像的筆畫，最終呈現(xiàn)特定的藝術風格[43]。傳統(tǒng)意義上的圖像渲染是由矩形像素陣列平鋪圖像平面來表示的。Haeberli[45]開發(fā)了一個交互式處理圖像的程序，用戶可以通過控制單個筆觸的顏色、形狀、大小和方向，輕松創(chuàng)建出印象派繪畫。用戶也可使用真實的筆觸去掃描圖像，把筆觸圖像紋理映射到畫布上，如圖10所示。Hertzmann[46]采用一系列樣條筆觸描繪不同的圖像，可形成特定的抽象風格。Siddharth等[47]從筆觸紋理合成的角度對藝術繪畫仿真方法進行了對比分析。錢文華等[48]基于圖像的重要度進行卷積計算，來初步實現(xiàn)抽象效果，并在此基礎上用光照模型模擬凹凸筆刷，進一步豐富圖像的紋理。

3.2?分層圖像解析法

分層圖像解析法是指采用解析樹對圖像逐層分割，分別對每一層次的內容進行不同級別的抽象化渲染。Tu等[49]首次提出了解析樹的分層圖像表示，采用圖像分割算法將圖像的前景與背景分離，再對每部分進行逐級分割。Zhao等[2]提出了一個名為Sisley的交互式抽象繪畫系統(tǒng)。給定輸入的照片，Sisley可以在用戶的指導下將其分解為由若干圖像組件（例如區(qū)域、不同類別的對象）組成的層次樹，然后進行抽象渲染。在渲染過程中，Sisley會根據(jù)所需的抽象級別擾動畫筆的顏色和幾何圖形以形成不同程度的抽象風格。圖11為Sisley生成的抽象畫作。隨后，Zhao等[44]進一步改進了系統(tǒng)，使其在處理圖像時能夠模擬人類的視覺感知，生成更自然的圖像。

3.3?風格遷移法

風格遷移法是將圖像的語義內容與其他圖像的色彩、紋理、輪廓等信息結合在一起的風格轉換技術。它在保留原圖像內容的基礎上生成其他視覺藝術效果[43]。Gatys等[50]利用卷積神經網絡（CNN）引入了一種藝術風格算法。算法可將自然圖像的內容和風格進行分離，然后結合著名抽象繪畫的樣式生成新的藝術圖像，如圖12所示。CNN算法可以通過調整匹配內容和相應源圖像樣式的相對權重來輸出理想效果。相對權重較低時，能夠產生樣式圖像的紋理化版本;而相對權重較高時，可以產生較低風格化的圖像。之后，Gatys等[51]引入空間位置、顏色信息和跨空間尺度等參數(shù)，實現(xiàn)了圖片中的地面紋理在天空中的應用，如圖13所示。王婷等[52]提出了一種基于VGG Net的圖像風格遷移算法，有效地實現(xiàn)了多種藝術風格之間的遷移。王園園[53]基于神經風格遷移技術嘗試了海派水彩畫的抽象風格轉換。

4?仿真圖案的評價與仿真方法比較

4.1?計算機仿真圖案的評價方法

計算機藝術圖案的美學評價不僅是對仿真結果的驗證，而且可以作為算法和參數(shù)的優(yōu)化依據(jù)[54]。主要評價方法有眼動跟蹤、視覺分析和數(shù)學統(tǒng)計分析等[55]。評價方式有主觀

評價法和客觀評價法。主觀評價一般基于視覺感知進行圖像質量評價，評價結果與人的主觀感受有較好的一致性。鄭巖等[39]基于視覺感知對仿真滴彩畫與原作的相似性進行測評。王園園[53]以用戶滿意度為測評方法，對海派水彩畫仿真圖像的應用效果展開研究?？陀^評價一般采用統(tǒng)計分析的方法。Lee等[14]采用計盒維數(shù)法對數(shù)字繪畫進行實時分形維數(shù)分析。Zhao等[2]以照片、藝術家原始抽象畫和風格遷移合成圖像為測試樣本，采用混淆矩陣和標準統(tǒng)計假設檢驗技術測試了被試者的識別準確性和反應速度，測試數(shù)據(jù)客觀顯示了Sisley的風格遷移水平。錢文華等[48]采用圖像直方圖研究了抽象繪畫的色彩分布，結果顯示數(shù)字繪畫的色彩范圍更為豐富。

主觀評價法和客觀評價法均存在一定局限性。主觀評價會受到被試者自身學識、性格、藝術涵養(yǎng)等因素的影響[54]?？陀^評價與人類視覺的主觀感受差異較大，忽略了作品本身的藝術特性。因此，可采取主客觀相結合的評價方式。Noll等[33]為檢驗計算機圖案的仿真效果，對被試者進行了主觀問答測試，然后用關聯(lián)表進行卡方檢驗，排除了性別、年齡和偏好等因素的影響，結果證明計算機生成圖案更具有隨機抽象美。

4.2?仿真方法比較

在抽象繪畫模擬中，很難給出一個模擬真實程度的量化標準，因此難以比較方法之間孰優(yōu)孰劣，它們各自具有獨特性。幾何抽象繪畫較為簡潔，多數(shù)采用基于規(guī)則建模和分層建模的方法進行仿真。而抒情抽象繪畫多采用曲線且線條的色彩富于變化，主要的仿真方法有物理模型法和分層建模法。

4.2.1?生成式類方法和變換式類方法的比較

生成式類方法基于一定的語法或規(guī)則進行圖形生成，重點在于對抽象畫作內容的模擬，在實現(xiàn)內容的基礎上呈現(xiàn)一定的風格。如文獻[14]對pollock滴彩畫的物理模擬，文獻[39]針對滴彩畫作品《Number8，1949》的模擬。兩類仿真圖形的形狀、構圖規(guī)則、色彩分布與原作幾乎一致。變換式類方法基于圖像處理進行抽象風格的生成，重點在于對繪畫風格的模擬，而不是內容的重現(xiàn)，如文獻[50]生成的康定斯基風格圖像。不難發(fā)現(xiàn)新圖像的內容依舊是建筑，而建筑的形狀、色彩、構圖呈現(xiàn)出了典型抽象風格。表2對生成式類方法和變換式類方法進行了比較分析。

4.2.2?生成式類方法之間的比較

生成式類方法中GAN是智能化程度最高的方法，但是需要大量圖片作為學習訓練的素材，如果素材量較少，則生成的畫作與原作重合性高，不符合GAN開發(fā)的初衷。除GAN外，生成式類的其他方法均不需要圖片素材進行訓練。物理模型法與其他生成式類方法的區(qū)別在于，它基于一定的物理模型和過程，如文獻[14]運用流體射流模型生成的隨機軌跡。而形狀語法、基于規(guī)則建模和分層建模法均基于數(shù)學函數(shù)或法則進行圖像生成。如文獻[39]運用高斯噪聲函數(shù)生成隨機點和線條，文獻[37]運用貝塞爾函數(shù)對于米羅的幾何圖案模擬。三類方法的區(qū)別在于：仿真圖像的復雜度是逐級遞增的，如圖4、圖5、圖7之間的對比。形狀語法由于生成的幾何圖形較為規(guī)則，因此適用于仿真較低復雜度的抽象畫?；谝?guī)則建模法和分層建模法都基于一定的算法函數(shù)生成圖形，不同之處在于后者相較于前者對繪畫進行分層并逐層建立模型，因此適用于仿真復雜度更高的抽象畫。

4.2.3?變換式類方法之間的比較

變換式類方法中，風格遷移法的智能化程度優(yōu)于其他方法，生成的抽象風格繪畫較為自然，也是目前最流行的抽象畫模擬方法。但風格遷移法需要大量的繪畫圖像素材對模型訓練學習，而其他方法不需歷經此過程。筆觸渲染法和分層圖像解析法都是在圖像的基礎上進行紋理合成，不同之處在于分層圖像解析法將圖像背景與內容進行分離，對不同區(qū)域進行差異化的紋理合成，生成的圖像風格更有層次感。如圖11的渲染效果要優(yōu)于圖10。

5?仿真抽象圖案在服飾領域的應用

5.1?仿真抽象畫與服飾圖案的關系

服飾圖案是服裝及其配件上具有一定圖案結構規(guī)律，經過抽象、變化等方法而規(guī)則化、定型化的裝飾圖形和紋樣[56]。西方抽象繪畫是服裝圖案的重要素材來源，自20世紀60年代開始被廣泛應用于時裝上。著名設計師伊夫·圣·洛朗先后以蒙德里安的《紅、黃、藍三色構圖》、畢加索的“抽象云紋”等繪畫元素進行服裝圖案設計?，F(xiàn)今，在數(shù)字科技的引領下數(shù)字圖案設計拉開帷幕，分形等抽象數(shù)字圖案多次出現(xiàn)在各大時裝周上。仿真抽象繪畫是數(shù)字圖案設計領域不可或缺的靈感元素，它不僅具備藝術性的審美特征，而且能夠快速反應服裝市場的需求。

5.2?仿真抽象圖案在服飾領域的應用現(xiàn)狀

仿真繪畫圖案在服飾領域的應用主要分為兩方面。首先是在面料開發(fā)系統(tǒng)中的應用。如盧書芳[57]基于演化算法和數(shù)學函數(shù)生成了一個可以自動實現(xiàn)Marbling圖案的紡織品紋理設計系統(tǒng)，系統(tǒng)可以滿足紡織工業(yè)對于矢量圖形、無縫拼接和實現(xiàn)圖案不同配色的需求。圖14展示了Marbling仿真系統(tǒng)設計出的花紋及其在面料和包飾上的應用。鄭巖[37]、熊露等[37，58]開發(fā)的抽象幾何繪畫仿真系統(tǒng)已被應用于羽絨夾克和裙裝面料的圖案設計，如圖15所示。其次，仿真繪畫圖案可作為服裝設計師表現(xiàn)靈感的一種載體，應用于服裝設計。如陳曉鵬等[59]將仿真的Marbling圖案與數(shù)碼印花技術相結合，演繹了“數(shù)字水彩風”系列服飾設計，如圖16所示。文盛凱[60]基于鐘擺運動和混沌運動等原理制作了波洛克風格自動繪畫噴色裝置，實現(xiàn)了獨特美麗的服裝藝術效果，如圖17所示。

目前仿真抽象圖案在服飾領域的應用以實驗性為主，多數(shù)從圖案仿真的結果出發(fā)，繼而應用在服飾上。未來可立足于服裝消費者的審美取向，在仿真圖案中加入特定的藝術設計，如將流行色彩融入到圖案色彩搭配。將仿真圖形作為單獨紋樣，進行多種樣式的組織排列，也可將當下的流行圖案與仿真圖案進行搭配組合，豐富圖案的表現(xiàn)形式。

5.3?仿真抽象圖案在服飾領域的應用機遇與難題

在數(shù)字時尚背景下，科技、時尚、藝術領域開始相互融合，3D虛擬時裝的研究如火如荼。數(shù)字仿真抽象畫基于算法和智能化的快速反應能力恰好迎合了數(shù)字時裝的設計方向，發(fā)展?jié)摿Σ豢珊鲆?。未來，有兩大難題亟待解決：一是對于程序師而言，美學素養(yǎng)不及，生成的圖案美觀性不足以滿足時裝消費者的審美需求。二是對于設計師而言，智能算法存在較高的技術門檻，操作復雜。因此，一方面可提高程序師的藝術修養(yǎng)，產生更加生動化的數(shù)字仿真圖案。另一方面，可以添加更多的可擴展性設計參數(shù)，降低仿真技術的操作難度。與此同時，可加強計算機圖形藝術領域與時尚領域的跨界合作，共同促進計算機仿真圖案與時裝的相互融合。

6?結?語

本文立足于西方抽象繪畫，分別從生成式方法和變換式方法兩個角度對當下的抽象圖案仿真方法進行了綜述和對比分析，對計算機仿真圖形的評價方法展開了討論，并從應用角度論述了抽象仿真繪畫在紡織服飾領域的應用?；趯ΜF(xiàn)有方法的比較和分析，本文對抽象繪畫仿真技術未來的研究趨勢和在服裝領域的研究方向作如下總結。

1） 目前對于抽象畫的仿真集中在某一作品風格的仿真，國內學者嘗試對畫家的不同繪畫進行了融合，但是仿真結果缺乏自然感，需進一步探索。

2） 國內外研究人員嘗試了將仿真的抽象繪畫應用到服裝圖案領域，未來可以在仿真過程中與服裝時尚元素相結合，例如流行色彩和圖案。

3） 可以結合服裝的形式美法則，進行數(shù)字繪畫的設計重塑，生成更加多樣化的新形式藝術圖案，而不是僅停留于數(shù)字圖像與圖案的簡單轉換。

4） 目前的仿真系統(tǒng)是在二維空間生成抽象圖案，未來可以將流體方程或數(shù)學函數(shù)從平面推廣到曲面，在三維模型表面進行抽象繪畫仿真和高清細節(jié)繪制，研究結果可以嘗試應用于服裝3D虛擬展示領域。

參考文獻：

[1]MARCOS A F. Digital art： When artistic and cultural muse merges with computer technology[J]. IEEE Computer Graphics and Applications， 2007， 27（5）： 98-103.

[2]ZHAO Mingtian， ZHU Songchun. Sisley the abstract painter[C]//Proceedings of the 8th International Symposium on Non-Photorealistic Animation and Rendering. 2010： 99-107.

[3]PRICE C B. From kandinsky to java （the use of 20th century abstract art in learning programming）[J]. Innovation in Teaching and Learning in Information and Computer Sciences， 2007， 6（4）： 35-50.

[4]ZHANG K， HARRELL S， JI X. Computational aesthetics： On the complexity of computer generated paintings[J]. Leonardo， 2012， 45（3）： 243-248.

[5]萬金良. 簡明西方美術史[M]. 北京： 北京工業(yè)大學出版社， 2013： 317.

WAN Jinliang. A Brief History of Western Art[M]. Beijing： Beijing University of Technology Press， 2013： 317.

[6]羅莉娜·凡弗利特. 抽象畫訓練教程[M]. 上海： 上海人民美術出版社， 2012： 5-6.

VANFLEET L. Painting Abstracts： Ideas， Projects and Techniques[M]. Shanghai： Shanghai People’s Fine Arts Publishing House， 2012： 5-6.

[7]PERRY V. Abstract Painting： Concepts and Techniques[M]. New York： Watson-Guptill， 2005： 35-38.

[8]FISHWICK P A. Aesthetic Computing （Leonardo Books）[M]. Cambridge， Massachusetts： The MIT Press， 2006.

[9]AMMERAAL L， ZHANG K. Computer Graphics for Java Programmers[M]. West Berlin and Heidelberg： Springer International Publishing， 2017： 56.

[10]JULIEN C S. Elegant Fractals： Automated generation of computer art[M]. SG Singapore： World Scientific Publishing Company， 2018： 16-17.

[11]GATYS L， ECKER A， BETHGE M. A neural algorithm of artistic style[J]. Journal of Vision， 2016， 16（12）： 326-326.

[12]CURTIS C J， ANDERSON S E， SEIMS J E， et al. Computer-generated watercolor[C]//Proceedings of the 24th annual conference on Computer Graphics and Interactive Techniques. 1997： 421-430.

[13]RENGIN K L， NILGUN O T. Color and visual complexity in abstract images[J]. Color Research & Application， 2018， 43（6）： 952-957.

[14]LEE S， OLSEN S， GOOCH B. Simulating and analysing Jackson Pollock’s paintings[J]. Journal of Mathematics and the Arts， 2007， 1（2）： 73-83.

[15]TAYLOR R P， MICOLICH A P， JONAS D. Fractal analysis of Pollock’s drip paintings[J]. Nature， 1999， 399（6735）： 422-422.

[16]AKGUN B T. The digital art of marbled paper[J]. Leonardo， 2004， 37（1）： 49-52.

[17]ACAR R， BOULANGER P. Digital marbling： A multiscale fluid model[J]. IEEE Transactions on Visualization and Computer Graphics， 2006， 12（4）： 600-614.

[18]JIN Xiaogang， CHEN Shaochun， MAO Xiaoyang. Computer Generated marbling textures： A GPU-based design system[J]. IEEE Computer Graphics and Applications， 2007， 27（2）： 78-84.

[19]XU Jiayi， MAO Xiaoyang， JIN Xiaogang. Nondissipative marbling[J]. IEEE Computer Graphics and Applications， 2008， 28（2）： 35-43.

[20]RYOICHI A， REIJI T. Vector graphics depicting marbling flow[J]. Computers & Graphics， 2011， 35（1）： 148-159.

[21]LI Y N， ZHANG K， LI D J. Rule-based automatic generation of logo designs[J]. Leonardo， 2017， 50（2）： 177-181.

[22]謝曉曄， 丁沃沃. 從形狀語法邏輯到建筑空間生成設計[J]. 建筑學報， 2021（2）： 42-49.

XIE Xiaoye， DING Wowo. From shape grammar logic to architectural space generative design[J]. Architecture Journal， 2021（2）： 42-49.

[23]王偉偉， 彭曉紅， 楊曉燕. 形狀文法在傳統(tǒng)紋樣演化設計中的應用研究[J]. 包裝工程， 2017， 38（6）： 57-61.

WANG Weiwei， PENG Xiaohong， YANG Xiaoyan. Application study of shape grammar in evolutionary design of traditional patterns[J]. Packaging Engineering， 2017， 38（6）： 57-61.

[24]KIRSCH J L， KIRSCH R A. The anatomy of painting style： Description with computer rules[J]. Leonardo， 1988， 21（4）： 437-444.

[25]ZHANG K， BO Y H， YANG Y. Towards a design generation methodology[C]//Proceedings of the 10th International Symposium onVisual Information Communication and Interaction. 2017： 71-72.

[26]張康， 樊楨寶. 計算美學中的生成技術與美學度量[J]. 裝飾， 2018（3）： 47-49.

ZHANG Kang， FAN Zhenbao. Generating art and aesthetic measurement in computational aesthetics[J]. ZHUANGSHI， 2018（3）： 47-49.

[27]BO Y H， YU J H， ZHANG K. Computational aesthetics and applications[J]. Visual Computing for Industry， Biome-dicine and Art， 2018， 1（1）： 1-19.

[28]馬芝璐. 康定斯基的抽象與移情[D]. 大連： 大連工業(yè)大學， 2015.

MA Zhilu. The Abstract of Kandinsky with Transference[D]. Dalian： Dalian Polytechnic University， 2015.

[29]THOMPSON G R. The Art of Authorial Presence： Hawthorne’s Provincial Tales[M]. Durham： Duke University Press， 1993： 25-27.

[30]ZHANG K， YU J H. Generation of kandinsky art[J]. Leonardo， 2016， 49（1）： 48-54.

[31]閆盼蛟， 張康. 康定斯基抽象風格的計算機生成[J]. 裝飾， 2016（6）： 96-98.

YAN Panjiao， ZHANG Kang. The computer generation of Kandinsky’s abstract style[J]. ZHUANGSHI， 2016（6）： 96-98.

[32]閆盼蛟. 著名風格畫的計算機模擬與隨機生成[D]. 天津： 天津大學， 2017.

YAN Panjiao. Computational Modeling and Random Generation of Eell-kown Styles of Paintings[D]. Tianjin： Tianjin University， 2017.

[33]NOLL A M. Human or machine： A subjective comparison of Piet Mondrian’s "composition with lines" （1917） and a computer-generated picture[J]. The Psychological Record， 1966， 16（1）： 1-10.

[34]FOGLEMAN M. Procedurally generating images in the style of Piet Mondrian[EB/OL]. （2011-11-26）[2021-02-27]. http：//fogleman.tumblr.com/post/11959143268/procedurally-generating-images-in-the-style-of-piet.

[35]CLELAND T M， MUNSELL A H. A Grammar of Color， A Basic Treatise on the Color System of Albert H. Munsell[M]. Hoboken： Van Nostrand Reinhold Company， 1969： 43.

[36]TAO W Y， LIU Y X， ZHANG K. Automatically generating abstract paintings in Malevich style[C]//IEEE/ACIS International Conference on Computer & Information Science. 2014.

[37]熊露. 米羅超現(xiàn)實抽象畫的計算機自動生成[D]. 天津： 天津大學， 2018.

XIONG Lu. Generation of Miro’s Surrealism[D]. Tianjin： Tianjin University， 2018.

[38]秦平， 朱均. 多輸入多輸出系統(tǒng)的數(shù)據(jù)分層建模[J]. 小型微型計算機系統(tǒng)， 2003（1）： 76-80.

QIN Ping， ZHU Jun. Data hierarchical modeling algorithm for multi-input multi-output system[J]. Journal of Chinese Computer Systems， 2003（1）： 76-80.

[39]ZHENG Y， NIE X， MENG Z， et al. Layered modeling and generation of Pollock’s drip style[J]. The Visual Computer， 2015， 31（5）： 589-600.

[40]董偉， 趙杰煜. 基于生成對抗網絡的圖像藝術風格遷移[J]. 寧波大學學報（理工版）， 2019， 32（5）： 30-35.

DONG Wei， ZHAO Jieyu. Image art style transfer based on generative adversarial networks[J]. Journal of Ningbo University（Natural Science & Engineering Edition）， 2019， 32（5）： 30-35.

[41]LI M， L J， WANG J， et al. An abstract painting generation method based on deep generative model[J]. Neural Processing Letters， 2020， 52（4）： 1-19.

[42]ELGAMMAL A， LIU B， ELHOSEINY M， et al. CAN： Ccreative adversarial networks， generating "art" by learning about styles and deviating from style norms[J]. Robot Industry， 2017（4）： 34-37.

[43]李芳芳. 基于深度學習的風格遷移算法研究[D]. 合肥： 安徽大學， 2020.

LI Fangfang. Research on Image Style Transfer Algorithm Based on Deep Learning[D]. Hefei： Anhui University， 2020.

[44]ZHAO M T， ZHU S C. Abstract painting with interactive control of perceptual entropy[J]. ACM Transactions on Applied Perception， 2013， 10（1）： 1-21.

[45]HAEBERLI P. Paint by numbers： Abstract image representations[J]. Acm Siggraph Computer Graphics， 1990， 24（4）： 207-214.

[46]HERTZMANN A. Painterly rendering with curved brush strokes of multiple sizes[J]. Computer Graphics and Interactive Techniques， 1998： 453-460.

[47]HEGDE S， GATZIDIS C， TIAN F. Painterly rendering techniques： A state of the art review of current approaches[J]. Computer Animation and Virtual Worlds， 2013， 24（1）： 43-64.

[48]錢文華， 徐丹， 岳昆. 重要度引導的抽象藝術風格繪制[J]. 計算機輔助設計與圖形學學報， 2015， 27（5）： 915-923.

QIAN Wenhua， XU Dan， YUE Kun， et al. Sketch artistic rendering based on significance map[J]. Journal of Computer-Aided Design & Computer Graphics， 2015， 27（5）： 915-923.

[49]TU Z W， CHEN X R， YUILLE A L， et al. Image parsing： Unifying segmentation， detection， and recognition[J]. International Journal of Computer Vision， 2005， 63（2）： 113-140.

[50]GATYS L A， ECKER A S， BETHGE M. Image style transfer using convolutional neural networks[C]//IEEE Conference on Computer Vision and Pattern Recognition （CVPR）. 2016.

[51]GATYS L A， ECKER A S， BETHGE M， et al. Controlling perceptual factors in neural style transfer[C]//IEEE Conference on Computer Vision and Pattern Recognition （CVPR）. 2017.

[52]王婷， 李航， 胡智. 一種VGGNet的圖像風格遷移算法設計與實現(xiàn)[J]. 計算機應用與軟件， 2019， 36（11）： 224-228.

WANG Ting， LI Hang， HU Zhi. Design and implementation of image style Migration algorithm based on VGGNet[J]. Computer Applications and Software， 2019， 36（11）： 224-228.

[53]王園園. 基于風格遷移算法的海派水彩畫文創(chuàng)產品設計研究[D]. 上海： 華東理工大學， 2020.

WANG Yuanyuan. Research on the Design of Shanghai Style Watercolor Cultural and Creative Products Based on Style Transfer Algorithm[D]. Shanghai： East China University of Science and Technology， 2020.

[54]錢文華， 曹進德， 徐丹， 等. 非真實感繪制技術研究現(xiàn)狀與展望[J]. 中國圖象圖形學報， 2020， 25（7）： 1283-1295.

QIAN Wenhua， CAO Jinde， XU Dan， et al. Research status and prospects of non-photorealistic rendering technology[J]. Journal of Image and Graphics， 2020， 25（7）： 1283-1295.

[55]白茹意， 郭小英， 賈春花， 等. 繪畫圖像美學研究方法綜述[J]. 中國圖象圖形學報， 2019， 24（11）： 1860-1881.

BAI Ruyi， GUO Xiaoying， JIA Chunhua， et al. Overview of research methods of painting aesthetics[J]. Journal of Image and Graphics， 2019， 24（11）： 1860-1881.

[56]陳建輝. 服飾圖案設計與應用[M]. 北京： 中國紡織出版社， 2006.

CHEN Jianhui. Clothing Pattern Design and Application[M]. Beijing： China Textile Press， 2006.

[57]盧書芳， 金小剛. Marbling計算機仿真技術綜述[J]. 計算機輔助設計與圖形學學報， 2014， 26（2）： 179-190.

LU Shufang， JIN Xiaogang. A survey of marbling simulation. [J]. Journal of Computer-Aided Design and Computer Graphics， 2014， 26（2）： 179-190.

[58]XIONG Lu， ZHANG Kang. Generation of Miro’s surrealism[C]//ACM International Symposium on Visual Information Communication and Interaction. 2016.

[59]陳曉鵬， 吳沫霏. 水拓畫的數(shù)字繪畫模擬研究[J]. 絲綢， 2020， 57（6）： 114-119.

CHEN Xiaopeng， WU Mofei. Digital painting simulation study of water extension painting[J]. Journal of Silk， 2020， 57（6）： 114-119.

[60]Academy of Arts & Design， Tsinghua University. Tsinghua University Academy of Fine Arts 2021 Online Graduation Works Exhibition[EB/OL]. （2021-06-08）[2021-07-18]. https：//www.tsinghua.edu.cn/info/1002/84837.htm.