\chapter{生成式AI——从创造到智能生成} \section{篇章导读} 生成式AI（Generative AI）正在重新定义创造的边界。从图像生成到音乐创作，从文本写作到代码生成，AI不再仅仅是分析和识别的工具，而是成为人类的“创意伙伴”（Creative Partner）。设计师可以用文字描述一个想法，AI便能将其转化为可视化的图像；建筑师可以勾勒一个草图，AI便能渲染出逼真的效果图。这种从“分析”到“创造”的转变，正是生成式AI最激动人心的地方。 本章将从生成模型的基本原理出发，系统介绍从自编码器（AE）、对抗生成网络（GAN）到扩散模型（Diffusion Model）的技术演进，并深入探讨AIGC工具链在设计领域的实际应用。 \section{早期生成模型} \subsection{自编码器（Autoencoder, AE）} 自编码器是最早的生成模型思想之一，其核心理念是\textbf{学习数据的压缩表示}。 \textbf{基本结构：} \begin{lstlisting} 输入 → 编码器 (Encoder) → 潜在表示 (Latent) → 解码器 (Decoder) → 重构输出 \end{lstlisting} 自编码器的工作方式可以理解为“先压缩，再还原”：编码器将输入数据压缩到一个低维的潜在空间（Latent Space），解码器再从潜在表示中还原出原始数据。通过训练使还原输出尽可能接近原始输入，模型便学会了数据的关键特征。 \textbf{局限性：} \begin{itemize} \tightlist \item 生成的图像通常\textbf{模糊}，缺乏细节 \item 潜在空间缺乏结构，无法保证连续采样产生有意义的输出 \item 生成\textbf{多样性不足}，更偏向重构而非创造 \end{itemize} \begin{quote} \textbf{设计类比}：AE就像一位只会临摹的画师——他能把看到的景象画出来，但画得不够精细，也无法凭空创造出新的画面。 \end{quote} \subsection{变分自编码器（Variational Autoencoder, VAE）} VAE在AE的基础上引入了\textbf{概率思想}，是生成模型的重要进步。 \textbf{核心改进：} \begin{lstlisting} 传统AE： 编码器 → 确定的潜在向量 z → 解码器 VAE： 编码器 → 均值 μ、方差 σ → 采样 z ~ N(μ, σ²) → 解码器 \end{lstlisting} VAE的关键在于将潜在空间约束为\textbf{标准正态分布}。这意味着潜在空间中的每个点都对应一个合理的输出，我们可以通过从正态分布中随机采样，再经过解码器，来\textbf{生成全新的图像}。 \begin{lstlisting} 从标准正态分布中随机采样 z ↓ 解码器 (Decoder) ↓ 生成全新图像 \end{lstlisting} \textbf{优势与不足：} {\def\LTcaptype{none} % do not increment counter \begin{longtable}[]{@{}lll@{}} \toprule\noalign{} 特性 & AE & VAE \\ \midrule\noalign{} \endhead \bottomrule\noalign{} \endlastfoot 潜在空间 & 无约束 & 标准正态分布 \\ 可采样性 & 不可 & 可采样生成新图像 \\ 生成质量 & 模糊 & 略好但仍偏模糊 \\ 多样性 & 低 & 较高 \\ \end{longtable} } \begin{quote} \textbf{设计类比}：VAE就像一位理解了“风格空间”的画师——他不仅会临摹，还能在“风格空间”中探索，画出从未见过但风格一致的新作品。 \end{quote} \section{对抗生成} \subsection{生成对抗网络（GAN）} 2014年，Ian Goodfellow提出了生成对抗网络（Generative Adversarial Network, GAN），开创了生成模型的新范式。 \textbf{核心思想：对抗博弈} \begin{lstlisting} 生成器 (Generator)：生成假图像 → 试图欺骗判别器 判别器 (Discriminator)：判断图像真假 → 试图识破生成器 ↓ 对抗训练，相互博弈，共同进步 \end{lstlisting} GAN的训练过程可以类比为\textbf{伪造者与鉴定师}的博弈： \begin{itemize} \tightlist \item \textbf{伪造者}（生成器）不断改进伪造技术，制造更逼真的假画 \item \textbf{鉴定师}（判别器）不断提升辨别能力，区分真画和假画 \item 随着对抗的持续，伪造者的技术越来越高超，最终能制造出连鉴定师都无法分辨的“杰作” \end{itemize} \textbf{训练过程：} \begin{lstlisting} 步骤1：生成器从随机噪声生成假图像 步骤2：判别器同时接收真实图像和假图像 步骤3：判别器输出"真"或"假"的判断 步骤4：根据判别结果，同时更新生成器和判别器 步骤5：重复以上过程，直到生成器能产生逼真图像 \end{lstlisting} \textbf{优势：} \begin{itemize} \tightlist \item 生成图像质量高，细节丰富 \item 训练速度较快（相比扩散模型） \end{itemize} \textbf{问题：} \begin{itemize} \tightlist \item \textbf{训练不稳定}：生成器和判别器需要精心平衡，容易出现一方过强 \item \textbf{模式崩溃（Mode Collapse）}：生成器可能只学会生成少数几种图像，缺乏多样性 \item 超参数敏感，调参困难 \end{itemize} \subsection{StyleGAN：高质量人脸生成} StyleGAN是NVIDIA推出的系列模型，在人脸生成领域取得了突破性成果。 \textbf{核心创新——风格控制：} \begin{lstlisting} 随机噪声 z → 映射网络 → 风格向量 w ↓ 风格向量 w 注入生成器的不同层： - 浅层：控制粗粒度特征（脸型、姿态） - 中层：控制中粒度特征（发型、表情） - 深层：控制细粒度特征（肤色、细节） ↓ 生成高质量人脸图像 \end{lstlisting} StyleGAN可以精确控制生成人脸的各个属性——年龄、性别、发型、表情等，并且生成的人脸在视觉上与真人照片几乎无法区分。 \subsection{CycleGAN：无配对图像转换} CycleGAN解决了一个重要的实际问题：\textbf{无需成对训练数据}的图像风格转换。 \begin{lstlisting} 领域A（如：照片）←→ 领域B（如：油画） ↓ 生成器G：A → B（照片变油画） 生成器F：B → A（油画变照片） ↓ 循环一致性约束：F(G(A)) ≈ A \end{lstlisting} CycleGAN的设计应用十分广泛：实景照片转水彩风格、白天场景转夜晚、夏季景观转冬季等。 \begin{quote} \textbf{设计思考}：GAN系列模型展示了“对抗”这一全新的训练范式——不是告诉模型“正确答案是什么”，而是让两个模型在竞争中共同进化。这种思想在设计领域同样适用：方案生成与方案评审的对抗，可以推动设计质量的提升。 \end{quote} \section{扩散模型} \subsection{核心原理} 扩散模型（Diffusion Model）是当前生成式AI的主流技术，其核心思想出人意料地简洁：\textbf{先学会如何破坏，再学会如何修复}。 \textbf{前向过程（Forward Process）——逐步加噪：} \begin{lstlisting} 原始图像 x₀ ↓ 添加高斯噪声 x₁ = √(1-β₁)·x₀ + √β₁·ε₁ ↓ 添加噪声 x₂ = √(1-β₂)·x₁ + √β₂·ε₂ ↓ ...（重复T步） x_T ≈ 纯噪声（与原始图像完全无关） \end{lstlisting} 前向过程就像往一幅画上逐步泼洒墨水，每一步都让画面变得更模糊，最终变成完全的噪声。 \textbf{反向过程（Reverse Process）——逐步去噪：} \begin{lstlisting} 纯噪声 x_T ↓ 去噪网络预测并移除噪声 x_{T-1} = 去噪一步 ↓ 去噪网络预测并移除噪声 x_{T-2} = 去噪一步 ↓ ...（重复T步） x₀ ≈ 原始图像 \end{lstlisting} 反向过程则像一位技艺精湛的修复师，从一团混沌的噪声中，逐步还原出清晰的图像。 \textbf{训练目标：} \begin{lstlisting} 去噪网络学习预测：添加的噪声 ε 即：给定 noisy image x_t 和时间步 t，预测 ε 损失函数：L = ||ε - ε_θ(x_t, t)||² \end{lstlisting} 模型不需要学习“好图像长什么样”，而是学习“噪声长什么样”——这是一个更容易学习的目标。 \subsection{Stable Diffusion架构} Stable Diffusion是扩散模型最重要的工程实现，其核心创新是\textbf{在潜在空间（Latent Space）中进行扩散}，而非直接在像素空间操作，从而大幅提升了效率。 \textbf{整体架构：} \begin{lstlisting} 文本提示 "一只猫，水彩画风格" ↓ Text Encoder (CLIP文本编码器) → 文本特征向量 ↓ 随机噪声（在潜在空间中） ↓ U-Net 去噪网络（条件引导：文本特征） ↓ 反复去噪T步 去噪后的潜在表示 ↓ VAE Decoder (解码器) ↓ 生成图像 \end{lstlisting} \textbf{核心组件：} {\def\LTcaptype{none} % do not increment counter \begin{longtable}[]{@{} >{\raggedright\arraybackslash}p{(\linewidth - 4\tabcolsep) * \real{0.3333}} >{\raggedright\arraybackslash}p{(\linewidth - 4\tabcolsep) * \real{0.3333}} >{\raggedright\arraybackslash}p{(\linewidth - 4\tabcolsep) * \real{0.3333}}@{}} \toprule\noalign{} \begin{minipage}[b]{\linewidth}\raggedright 组件 \end{minipage} & \begin{minipage}[b]{\linewidth}\raggedright 作用 \end{minipage} & \begin{minipage}[b]{\linewidth}\raggedright 说明 \end{minipage} \\ \midrule\noalign{} \endhead \bottomrule\noalign{} \endlastfoot VAE Encoder/Decoder & 图像与潜在空间的转换 & 将高维图像压缩到低维潜在空间，提升效率 \\ U-Net & 去噪网络 & 核心生成引擎，预测并移除噪声 \\ Text Encoder (CLIP) & 文本编码 & 将文本提示转化为模型可理解的特征向量 \\ CLIP & 文图对齐 & 确保生成的图像与文本描述语义一致 \\ \end{longtable} } \textbf{潜在空间扩散的优势：} \begin{itemize} \tightlist \item 在低维空间操作，\textbf{计算量大幅降低} \item 压缩过程自动去除冗余信息，保留语义关键特征 \item 使消费级显卡也能运行生成模型 \end{itemize} \subsection{文生图工作流（Text-to-Image Workflow）} 从文字到图像的完整流程： \begin{lstlisting} 1. 输入提示词（Prompt） "一座现代风格的别墅，白色外墙，大面积落地窗，周围绿树环绕，日落光线" 2. 文本编码 Prompt → CLIP Text Encoder → 文本特征向量 3. 初始化噪声 在潜在空间中生成随机噪声 4. 去噪循环 for t = T → 1: 噪声图 → U-Net（条件：文本特征 + 时间步）→ 预测噪声 → 减去噪声 5. 解码输出 潜在表示 → VAE Decoder → 最终图像 \end{lstlisting} \textbf{提示词工程（Prompt Engineering）} 是影响生成质量的关键因素。一个好的提示词通常包含： \begin{itemize} \tightlist \item \textbf{主体描述}：画面核心内容 \item \textbf{风格指定}：如“水彩画”\,``赛博朋克“``极简主义” \item \textbf{质量修饰}：如“高清”\,``细节丰富“``4K” \item \textbf{光照氛围}：如“黄金时段光线”\,“柔和阴影” \end{itemize} \begin{quote} \textbf{设计类比}：文生图过程就像一位设计师根据客户的文字需求进行创作。提示词是“设计任务书”，CLIP编码器理解需求，U-Net是“设计师的大脑”，而VAE解码器将脑海中的概念转化为可见的图纸。 \end{quote} \section{AIGC工具链} \subsection{ControlNet：精确条件控制} 纯文生图虽然强大，但设计师往往需要\textbf{精确控制}空间结构——这正是ControlNet解决的问题。 \textbf{核心原理：} \begin{lstlisting} 输入图像 → 提取结构条件（边缘/深度/姿态/分割） ↓ 条件特征注入ControlNet ↓ ControlNet与主U-Net协同 ↓ 输出：保持结构条件 + 应用风格 \end{lstlisting} \textbf{支持的典型条件类型：} {\def\LTcaptype{none} % do not increment counter \begin{longtable}[]{@{}llll@{}} \toprule\noalign{} 条件类型 & 英文名 & 说明 & 设计应用 \\ \midrule\noalign{} \endhead \bottomrule\noalign{} \endlastfoot Canny边缘 & Canny Edge & 检测图像轮廓 & 草图控制、线稿渲染 \\ 深度图 & Depth Map & 估计场景深度 & 空间关系控制 \\ 人体姿态 & OpenPose & 检测人体关键点 & 人物场景生成 \\ 法线图 & Normal Map & 表面法线方向 & 材质细节控制 \\ 语义分割 & Segmentation & 区域语义标注 & 功能区域控制 \\ \end{longtable} } \textbf{设计工作流示例：} \begin{lstlisting} 手绘草图 → Canny边缘提取 → ControlNet条件控制 → 精细效果图 户型平面图 → 深度图提取 → ControlNet条件控制 → 三维透视渲染 结构线稿 → 分割图提取 → ControlNet条件控制 → 风格化设计方案 \end{lstlisting} \subsection{LoRA：高效微调} 全量微调一个大模型需要巨大的计算资源，而LoRA（Low-Rank Adaptation，低秩适应）提供了一种\textbf{高效微调}方案。 \textbf{核心原理：} \begin{lstlisting} 原始权重矩阵 W（冻结不变，参数量 d×d） + 低秩分解矩阵 ΔW = A × B（仅训练这部分） A: d×r, B: r×d（r << d） ↓ 新权重 = W + ΔW = W + A×B ↓ 参数量从 d² 降低到 2×d×r（减少100-1000倍） \end{lstlisting} \textbf{LoRA的核心优势：} \begin{itemize} \tightlist \item 参数量减少\textbf{100-1000倍}，大幅降低训练成本 \item 训练速度快，个人电脑即可完成 \item 多个LoRA可灵活叠加组合 \end{itemize} \textbf{应用方式：} \begin{lstlisting} 基础模型 + LoRA_A（建筑风格）= 建筑风格生成 基础模型 + LoRA_B（室内风格）= 室内风格生成 基础模型 + LoRA_A + LoRA_B = 混合风格生成 \end{lstlisting} 设计师可以针对特定设计风格训练专属LoRA，如“新中式风格”\,“日式极简风格”等，实现个性化的AI生成。 \subsection{ComfyUI：模块化工作流} ComfyUI是一个基于\textbf{节点化（Node-based）} 的AIGC工作流平台，允许用户通过可视化连接来构建复杂的生成流程。 \textbf{核心特点：} \begin{lstlisting} 节点化连接 → 可视化流程 → 灵活定制 → 可复用分享 \end{lstlisting} \textbf{典型节点：} {\def\LTcaptype{none} % do not increment counter \begin{longtable}[]{@{}ll@{}} \toprule\noalign{} 节点类型 & 功能 \\ \midrule\noalign{} \endhead \bottomrule\noalign{} \endlastfoot Load Checkpoint & 加载基础模型 \\ CLIP Text Encode & 文本编码（正向/负向提示词） \\ KSampler & 采样去噪（控制步数、采样器类型等） \\ VAE Decode & 潜在空间解码为图像 \\ ControlNet Apply & 应用ControlNet条件控制 \\ LoRA Loader & 加载LoRA微调模型 \\ Save Image & 保存生成图像 \\ \end{longtable} } \textbf{典型工作流示例：} \begin{lstlisting} 文本提示词 → CLIP编码 → 正向提示 ↓ 负向提示词 → CLIP编码 → 负向提示 ──→ KSampler ← ControlNet条件 ↓ VAE解码 ↓ 保存图像 \end{lstlisting} \subsection{Midjourney：创意探索平台} Midjourney是一个面向创意的AI图像生成平台，以极高的审美质量和艺术表现力著称。 \textbf{特点：} \begin{itemize} \tightlist \item 操作简单，通过自然语言交互即可生成 \item 生成图像具有很高的艺术审美品质 \item 适合设计前期的\textbf{创意发散和灵感探索} \item 付费云服务，依赖网络连接 \end{itemize} \subsection{AIGC工具对比} {\def\LTcaptype{none} % do not increment counter \begin{longtable}[]{@{} >{\raggedright\arraybackslash}p{(\linewidth - 8\tabcolsep) * \real{0.2000}} >{\raggedright\arraybackslash}p{(\linewidth - 8\tabcolsep) * \real{0.2000}} >{\raggedright\arraybackslash}p{(\linewidth - 8\tabcolsep) * \real{0.2000}} >{\raggedright\arraybackslash}p{(\linewidth - 8\tabcolsep) * \real{0.2000}} >{\raggedright\arraybackslash}p{(\linewidth - 8\tabcolsep) * \real{0.2000}}@{}} \toprule\noalign{} \begin{minipage}[b]{\linewidth}\raggedright 工具 \end{minipage} & \begin{minipage}[b]{\linewidth}\raggedright 核心优势 \end{minipage} & \begin{minipage}[b]{\linewidth}\raggedright 适用场景 \end{minipage} & \begin{minipage}[b]{\linewidth}\raggedright 使用门槛 \end{minipage} & \begin{minipage}[b]{\linewidth}\raggedright 部署方式 \end{minipage} \\ \midrule\noalign{} \endhead \bottomrule\noalign{} \endlastfoot Midjourney & 审美品质高、操作简单 & 创意探索、灵感发散 & 低 & 云端服务 \\ Stable Diffusion & 开源可控、本地运行 & 精细控制、批量生成 & 中 & 本地部署 \\ ControlNet & 精确结构控制 & 草图渲染、条件生成 & 中高 & 模块插件 \\ ComfyUI & 灵活工作流、可视化 & 复杂流程、定制需求 & 高 & 本地部署 \\ \end{longtable} } \begin{quote} \textbf{设计实践建议}：在设计流程的不同阶段，可以灵活选择不同工具。前期概念阶段用Midjourney快速探索创意方向，确定方向后用Stable Diffusion + ControlNet进行精确控制，用LoRA实现风格一致性，用ComfyUI构建自动化工作流。 \end{quote} \section{设计应用} \subsection{建筑设计：从草图到渲染} \begin{lstlisting} 手绘概念草图 ↓ ControlNet (Canny边缘) + 提示词："现代风格建筑，玻璃幕墙，自然光线" ↓ AI生成效果图 ↓ LoRA风格微调 多方案对比（3-5个方案） ↓ 设计师选择与调整 \end{lstlisting} \textbf{应用价值：} \begin{itemize} \tightlist \item 快速将手绘概念转化为可视化效果图 \item 生成多个设计方案进行比选 \item 客户沟通效率大幅提升 \end{itemize} \subsection{室内设计：从平面到立体} \begin{lstlisting} 户型平面图 ↓ ControlNet (Depth/Segmentation) + 提示词："北欧风格客厅，浅色木地板，简约家具" ↓ 三维空间效果图 ↓ LoRA材质替换 不同材质方案（木质/石材/金属） ↓ 风格迁移 → 多风格方案 \end{lstlisting} \subsection{平面设计：品牌视觉生成} \begin{lstlisting} 品牌关键词："科技感、绿色环保、信任感" ↓ AI生成Logo候选方案（多组） ↓ 设计师筛选与调整 ↓ 品牌视觉系统延展（名片、海报、包装） \end{lstlisting} \subsection{综合案例：住宅客厅设计工作流} 以下是一个完整的AI辅助住宅客厅设计工作流： \begin{lstlisting} 第1步：需求输入 客户需求："20㎡客厅，现代简约，预算3万元，朝南，适合家庭活动" ↓ 第2步：AI生成多方案 方案A：开放式布局，浅色调，北欧简约 方案B：L型沙发布局，中性色调，日式风格 方案C：分区布局，暖色调，现代轻奢 ↓ 第3步：用户选择与调整 客户选择方案B → "希望增加书房功能" ↓ 第4步：AI迭代优化 基于反馈调整 → 融合阅读角功能 ↓ 第5步：VR预览 AI生成全景图 → VR沉浸式体验 ↓ 第6步：最终确认 设计师微调 → 客户确认 → 施工图 \end{lstlisting} \begin{quote} \textbf{设计反思}：生成式AI极大地提升了设计效率，但它始终是\textbf{辅助工具}而非替代者。设计师的审美判断、空间理解、人文关怀——这些是AI无法取代的核心能力。AI的价值在于扩展设计师的创造力边界，而非取代设计师本身。 \end{quote} \section{思考与练习} \begin{enumerate} \def\labelenumi{\arabic{enumi}.} \item \textbf{原理理解}：Diffusion模型为什么比GAN训练更稳定？从训练目标的角度进行分析。 \item \textbf{技术对比}：对比AE、VAE、GAN和Diffusion四种生成模型，分析各自的优势和局限。在什么场景下你会选择哪种模型？ \item \textbf{工具应用}：如果你需要将一张手绘建筑草图转化为写实渲染图，请设计一个完整的AIGC工作流（包括使用的工具、条件和提示词策略）。 \item \textbf{设计实践}：选择一个室内空间，分别使用Midjourney和Stable Diffusion + ControlNet生成设计方案，对比两者的生成效果和可控性。 \item \textbf{伦理思考}：AI生成的设计作品，版权归属于谁？训练数据中使用了大量设计师的作品，这是否构成侵权？你如何看待这个问题？ \end{enumerate} \section{关键术语} {\def\LTcaptype{none} % do not increment counter \begin{longtable}[]{@{} >{\raggedright\arraybackslash}p{(\linewidth - 4\tabcolsep) * \real{0.3333}} >{\raggedright\arraybackslash}p{(\linewidth - 4\tabcolsep) * \real{0.3333}} >{\raggedright\arraybackslash}p{(\linewidth - 4\tabcolsep) * \real{0.3333}}@{}} \toprule\noalign{} \begin{minipage}[b]{\linewidth}\raggedright 中文 \end{minipage} & \begin{minipage}[b]{\linewidth}\raggedright 英文 \end{minipage} & \begin{minipage}[b]{\linewidth}\raggedright 说明 \end{minipage} \\ \midrule\noalign{} \endhead \bottomrule\noalign{} \endlastfoot 自编码器 & Autoencoder (AE) & 学习数据压缩与重构的模型 \\ 变分自编码器 & Variational Autoencoder (VAE) & 引入概率分布的自编码器，可采样生成 \\ 生成对抗网络 & Generative Adversarial Network (GAN) & 生成器与判别器对抗训练的生成模型 \\ 扩散模型 & Diffusion Model & 通过加噪-去噪过程生成数据的模型 \\ 去噪 & Denoising & 移除噪声、还原图像的过程 \\ 潜在空间 & Latent Space & 压缩后的低维数据表示空间 \\ 提示词 & Prompt & 指导AI生成的文本描述 \\ 条件控制 & Conditional Control (ControlNet) & 通过结构条件精确引导生成过程 \\ 低秩适应 & LoRA (Low-Rank Adaptation) & 低秩矩阵分解的高效微调方法 \\ 模式崩溃 & Mode Collapse & GAN生成多样性不足的现象 \\ 采样器 & Sampler & 去噪采样算法，决定生成过程的具体方式 \\ 文图对齐 & CLIP & 实现文本与图像语义对应的技术 \\ 提示词工程 & Prompt Engineering & 设计优化提示词以提升生成质量的技术 \\ \end{longtable} }