[论文解读] InfoColorizer: Interactive Recommendation of Color Palettes for Infographics

Lin-Ping Yuan, Ziqi Zhou+4 more|arXiv (Cornell University)|Feb 3, 2021

Color perception and design参考文献 66被引用 9

一句话总结

InfoColorizer 是一种数据驱动的交互式工具，利用深度学习技术结合用户偏好和元素的空间布局，为信息图推荐色彩调色板。它采用条件变分自编码器（VAEAC）生成多样化且上下文感知的调色板，显著降低了设计工作量，同时相比手动或预设方法，提升了视觉美感和可读性。

ABSTRACT

When designing infographics, general users usually struggle with getting desired color palettes using existing infographic authoring tools, which sometimes sacrifice customizability, require design expertise, or neglect the influence of elements' spatial arrangement. We propose a data-driven method that provides flexibility by considering users' preferences, lowers the expertise barrier via automation, and tailors suggested palettes to the spatial layout of elements. We build a recommendation engine by utilizing deep learning techniques to characterize good color design practices from data, and further develop InfoColorizer, a tool that allows users to obtain color palettes for their infographics in an interactive and dynamic manner. To validate our method, we conducted a comprehensive four-part evaluation, including case studies, a controlled user study, a survey study, and an interview study. The results indicate that InfoColorizer can provide compelling palette recommendations with adequate flexibility, allowing users to effectively obtain high-quality color design for input infographics with low effort.

研究动机与目标

• 解决非专业用户在信息图色彩调色板设计方面面临的挑战，这些用户缺乏设计专业知识，且受限于现有创作工具的功能。
• 通过自动化调色板生成降低设计门槛，同时保留用户在指定色彩偏好方面的灵活性。
• 通过将信息图元素的空间布局信息整合到学习过程中，提升调色板推荐的质量。
• 通过多项研究（包括受控用户测试和专家访谈）评估系统的有效性。
• 支持交互式、动态的调色板生成，基于用户输入实现迭代设计优化。

提出的方法

• 系统使用信息图的概念模型提取结构和空间特征，包括元素的位置及其相互关系。
• 基于 VAEAC（带任意条件的变分自编码器）的深度生成模型在大量设计师创建的信息图数据集上进行训练，以学习色彩设计实践。
• 用户偏好（如精确或模糊的色彩约束）被用作 VAEAC 模型的条件输入，以生成定制化调色板。
• 模型将空间布局特征融入潜在表征中，以确保推荐的调色板符合视觉层次和对比度要求。
• 该工具支持交互式编辑，允许用户修改布局并实时获得调色板推荐。
• 通过案例研究、受控用户研究、问卷调查和专家访谈相结合的方式对系统进行评估，以验证其可用性和有效性。

Figure 1: InfoColorizer consists of a recommendation engine and a visual interface. The recommendation engine is constructed by first extracting structure and color information from inforgraphics and then training a deep learning model, VAEAC, to characterize good color design practices. The visual

实验结果

研究问题

• RQ1 一个交互式、数据驱动的系统能否有效为非专业信息图创作者推荐既美观又功能清晰的色彩调色板？
• RQ2 在多大程度上，整合空间布局信息能提升推荐调色板的质量和相关性？
• RQ3 与手动调色板创建和预设调色板相比，InfoColorizer 在用户效率、创造力支持和感知质量方面表现如何？
• RQ4 仅具备极少设计经验的用户能否以较低的认知和操作负担，利用 InfoColorizer 生成高质量的信息图？
• RQ5 专业设计师如何看待该系统在支持实际设计工作流程方面的能力？

主要发现

• 在24名新手参与的受控用户研究中，使用 InfoColorizer 的参与者完成任务速度更快，且报告的创造力支持水平高于使用在线资源进行手动调色板创建的用户。
• 针对102名用户的问卷调查显示，InfoColorizer 推荐的调色板在美学和可读性方面得分显著高于随机生成和基线手工调色板，尽管略低于艺术家设计的调色板。
• 专家访谈显示，设计师认为 InfoColorizer 的功能新颖且高效，仅需几次操作即可生成引人注目的信息图。
• 案例研究显示，InfoColorizer 成功支持了多样化任务，包括填充线框图以及整合具有不同色彩方案的信息图，其推荐具有上下文感知能力。
• 系统采用 VAEAC 使得调色板生成多样化且相关，能够适应多样的用户偏好，同时保持设计的一致性。
• 评估结果证实，将空间布局特征整合到模型中可提升调色板的相关性，尤其在确保对比度和视觉层次方面效果显著。

Figure 2: (a) Artistic elements, graphical data elements, visual groups, and visual information flow (VIF) & backbone in an infographic. (b) The conceptual tree model. Some branches are omitted for simplicity.