[论文解读] Product Aesthetic Design: A Machine Learning Augmentation

Alex Burnap, John R. Hauser+1 more|arXiv (Cornell University)|Jul 17, 2019

Aesthetic Perception and AnalysisNeuroscience被引用 22

一句话总结

本文提出了一种混合机器学习模型，结合变分自编码器（VAE）、生成对抗网络（GAN）和监督学习，用于预测美学吸引力并生成创新的产品设计。该模型在203辆SUV和18万张图像上进行训练，相较于基线模型，美学预测性能提升了43.5%，并生成了既符合消费者偏好又与五年后真实市场趋势一致的产品设计。

ABSTRACT

Aesthetics are critically important to market acceptance. In the automotive industry, an improved aesthetic design can boost sales by 30% or more. Firms invest heavily in designing and testing aesthetics. A single automotive "theme clinic" can cost over $100,000, and hundreds are conducted annually. We propose a model to augment the commonly-used aesthetic design process by predicting aesthetic scores and automatically generating innovative and appealing product designs. The model combines a probabilistic variational autoencoder (VAE) with adversarial components from generative adversarial networks (GAN) and a supervised learning component. We train and evaluate the model with data from an automotive partner-images of 203 SUVs evaluated by targeted consumers and 180,000 high-quality unrated images. Our model predicts well the appeal of new aesthetic designs-43.5% improvement relative to a uniform baseline and substantial improvement over conventional machine learning models and pretrained deep neural networks. New automotive designs are generated in a controllable manner for use by design teams. We empirically verify that automatically generated designs are (1) appealing to consumers and (2) resemble designs which were introduced to the market five years after our data were collected. We provide an additional proof-of-concept application using opensource images of dining room chairs.

研究动机与目标

• 解决汽车等行业传统美学设计流程中存在的高成本与低效率问题，其中主题研讨会的费用每场超过10万美元。
• 开发一种数据驱动、可扩展的方法，用于预测产品设计中的消费者美学偏好。
• 自动生成新颖、可控且具有吸引力的产品设计，减少对昂贵人工主导设计迭代的依赖。
• 验证生成的设计不仅具有吸引力，还能随时间与真实市场产品发布保持一致。
• 通过餐椅的验证性案例，将模型的应用范围扩展至汽车以外的产品类别。

提出的方法

• 该模型整合了概率性变分自编码器（VAE），用于学习产品图像的解耦潜在表征。
• 采用生成对抗网络（GAN）中的对抗性训练组件，以提升生成设计的真实感与多样性。
• 在消费者评分的美学得分上训练监督学习头，以根据图像特征预测感知吸引力。
• 通过条件化潜在码控制特定美学属性，实现新设计的条件生成。
• 在包含203辆SUV的消费者评分数据与18万张高质量、未评分产品图像的数据集上进行训练。
• 该框架支持可控生成，使设计团队能够基于期望的美学方向探索设计变体。

实验结果

研究问题

• RQ1 混合深度学习模型能否以高精度有效预测产品设计的消费者美学偏好？
• RQ2 该模型在多大程度上能够生成新颖、视觉上吸引人且多样化的设计，使其与真实市场产品发布相似？
• RQ3 与传统机器学习模型和预训练深度神经网络相比，该模型在美学评分预测中的性能表现如何？
• RQ4 生成的设计是否能在保持美学质量的同时实现可控性，并与人类设计意图保持一致？
• RQ5 该模型是否能泛化至汽车以外的其他产品类别，如餐椅验证性案例所示？

主要发现

• 与均匀基线相比，该模型在美学预测准确率上提升了43.5%，显著优于传统机器学习模型。
• 该模型在预测消费者吸引力方面，相较于标准机器学习模型和预训练深度神经网络，均表现出显著改进。
• 生成的设计经实证验证，对消费者具有吸引力，且与训练数据收集后五年内的真实市场产品发布高度一致。
• 该模型能够以可控方式成功生成多样化、高质量的设计，使设计团队可实际应用。
• 餐椅的验证性案例证实了该模型在汽车以外其他产品类别的泛化能力。
• VAE、GAN与监督学习组件的集成，形成了一种稳健的架构，兼具高精度预测与有意义的生成能力。