摘要
汽车造型设计是汽车生产循环中十分重要的环节，造型设计师在敲定整车比例后，需要绘制草图和效果图，这是一个从创意设计到如何呈现创意设计的过程，这一环节正在快速步入智能设计时代。效果图作为直观的造型展示方式会参与到评审之中，同时作为汽车数字模型的创建依据对数模有着指导作用，但是绘制效果图的工作需要熟练的设计师花费较长的时间来实现，且产出过程中会受到设计师个人设计经验和美学认知的影响，而呈现出不同的效果。随着数字化渲染的普及，传统手绘效果图更多应用在概念车研发阶段，如何让效果图的制作更高效以及让造型设计师的设计风格得以继承成为缩短汽车前期开发周期的难点。本研究是针对汽车造型设计流程中，如何缩短效果图绘制时间，同时提升决策者、三维设计师、产品的潜在使用者对设计的理解度作为研究内容，展开研究。本研究着眼于深度学习辅助设计师工作这一观念，以期加快绘图速度，缩短设计周期，降低设计成本。本文主要研究是从设计草图到手绘效果图灰度图的风格迁移，具体内容如下： 1.本文通过确定数据集规范来筛选效果图样本图片，提高数据质量。受限于公开的汽车手绘草图数据集的维度较小，样本数量不足，且风格差异较大的问题。本文提出一种应用改进的Sobel边缘检测方法对效果图数据集样本进行边缘提取的方法。得到与效果图数据集等数量的类手绘风格样本。 2.针对由于使用传统的Pix2Pix神经网络和CycleGAN（CycleGenerativeAdversarialNetworks）生成的灰度效果图效果不佳的问题，本文提出一种基于CycleGAN网络的灰度效果图的合成方法N-CycleGAN，并加以验证。 3.最后，运用PSNR和SSIM图片质量评价方法比较三种网络之间的图片质量优劣。由造型设计工作人员对汽车车身具体要素进行主观评价，对六个角度生成灰度效果图进行评审。 本文主要创新点为：确立了数据集构建的量化规范和生成效果图的量化评价方法；提出了应用线性光的Sobel边缘检测方法；将两种数据增强方法应用在CycleGAN网络中，提出N-CycleGAN网络。研究成果将有效提升设计师绘图速度，缩短设计周期。
NETL