iPAS 備考專區 登入

iPAS AI 應用規劃師 初級 科目一 人工智慧基礎概論・115 年第一次・L11・第 10 題

設計公司要 AI 學習既有圖像風格再產生新圖,選哪種模型?

原題

某設計公司導入生成式 AI(Generative AI)工具,用於自動產生產品概念圖與風格草圖。為了讓系統能依據既有圖像資料產生具有變化且風格一致的新圖像,模型必須具備學習資料特性並生成新樣本的能力。下列哪一種模型技術或方法最符合上述需求?

白話

某設計公司導入生成式 AI,用來自動產生產品概念圖與風格草圖。他們希望系統能依據既有圖像資料,產生出有變化但風格一致的新圖像,因此模型必須具備學習資料特性並生成新樣本的能力。

問你:哪一種模型技術或方法最符合這個需求?

一句話總結

要學習既有圖像特性並生成新樣本,用的是隱變量自編碼器(Variational Autoencoder, VAE):它學習圖像的潛在分佈,可以從中取樣生成風格一致但有變化的新圖像。

情境

先感受問題:設計師有 500 張品牌風格圖,想讓 AI 再生 1000 張

假設你是「視覺創研」設計公司的 AI 技術顧問。公司有一批品牌客戶的設計稿:500 張風格一致的產品草圖(同一個品牌的色調、線條風格、構圖邏輯)。

設計師的需求:「我不想每次都從零開始畫,我想讓 AI 學習這批圖的風格,然後自動幫我生成新的草圖,風格要和原來一致,但每張都要有些變化,不要完全一樣。」

這個需求的技術本質是:模型要理解這 500 張圖的「內在規律」(色彩分佈、線條特性、構圖邏輯),再利用這些規律「創作」出新的圖像,而不只是複製已有的圖。

這正是生成式模型(Generative Model)的使用場景,VAE 是其中最適合「學習分佈後採樣生成」的代表。

舊方法

分類模型能「生成」新圖像嗎?

在「視覺創研」評估各種方法之前,有幾種直覺上的嘗試都不奏效:

  1. 直接複製現有圖:加了一點隨機噪音的複製,不算真正學習風格,設計師一眼就看出「這跟原圖幾乎一樣」
  2. 分類模型(隨機森林):可以判斷「這張圖是不是這個品牌風格」,但無法反向「生成符合這個風格的新圖」。分類是判斷,不是創作
  3. KNN 模型:找到最相似的幾張原圖混合輸出,結果是「拼接感」很強,像把幾張圖疊在一起,不像真正的創作
  4. 規則系統:手工定義「品牌色是藍色、線條要細、構圖要留白」,但規則很難覆蓋所有情況,新場景就不知道怎麼辦
  5. 普通自動編碼器(AE):能壓縮圖像到潛在空間,但潛在空間不是連續分佈的,隨機取樣出來的新圖像品質很差,充滿噪點

新方法

VAE 怎麼學習分佈並生成新圖像

「視覺創研」採用 VAE 之後,流程變成這樣:

第一步:學習「圖像的意義」。VAE 的編碼器(Encoder)把每張圖像壓縮成一個「潛在向量」(Latent Vector),這個向量代表圖像的本質:色調在空間中的位置、線條的粗細程度、構圖的疏密感。

關鍵差異:連續的潛在空間。VAE 和普通自動編碼器最大的差別:VAE 學習的潛在空間是連續分佈的(對應一個高斯分佈),這意味著在潛在空間裡,相似風格的圖像彼此相鄰,空間是「平滑」的,可以在中間取樣。

第二步:生成新圖像。VAE 的解碼器(Decoder)可以從潛在空間隨機取樣一個點,然後把這個點「解碼」成一張新圖像。取樣的位置不同,生成的圖像就有變化,但因為都在同一個風格分佈裡,整體風格保持一致。

這就是選項 A 為什麼正確:VAE 學習圖像的潛在分佈(Latent Distribution),從中取樣生成「有變化且風格一致」的新樣本。

錯選項

為什麼其他選項是錯的

B隨機森林(Random Forest)

字面在說什麼

集成多棵決策樹,靠多數投票做分類或迴歸預測,是監督式學習的代表算法。

為什麼不對

隨機森林是「判別式模型(Discriminative Model)」:輸入一張圖,輸出一個分類或數值。它無法「生成」新圖像,更無法學習圖像的風格分佈後取樣創作。隨機森林只能判斷,不能創作。

誰會選錯

聽說隨機森林很強大、什麼問題都能解的人。隨機森林確實在結構化數據的分類迴歸問題上很強,但對圖像生成這種非結構化生成任務完全不適用。

CK-近鄰演算法(K-Nearest Neighbors, KNN)

字面在說什麼

找到訓練集中最相似的 K 個樣本,依多數決或平均做預測,是一種惰性學習(Lazy Learning)算法。

為什麼不對

KNN 只能輸出「已有樣本的混合」,無法真正生成新的圖像。找到 5 張最相似的設計圖,輸出的是這 5 張的像素平均,結果是模糊的疊影,不是「有變化且風格一致的新圖像」。

誰會選錯

覺得「找相似的圖」等於「生成新圖」的人。生成的本質是創作:從學習到的分佈中取樣出訓練集中不存在的新樣本,KNN 做不到這件事。

D貝氏網路(Bayesian Network)

字面在說什麼

用有向無環圖表示變數之間的條件機率關係,用於機率推論和因果分析。

為什麼不對

貝氏網路是機率推論工具,擅長回答「如果已知 A,B 的機率是多少」這類問題。雖然理論上可以做生成,但實際上無法有效建模高維圖像數據(每個像素都是一個變數,百萬像素的圖像根本無法用貝氏網路建模)。它不是處理圖像生成的工具。

誰會選錯

知道貝氏網路能建模「不確定性」,以為它跟 VAE 的機率概念類似的人。雖然兩者都涉及機率,但貝氏網路不是深度學習方法,也不適合圖像這類高維數據的生成任務。

變形題

同個考點下次怎麼變形

延伸

想再往下看,這 5 個

答案、題目或解析有問題?回報這題

出處:iPAS 經濟部產業人才能力鑑定 ・ 115 年第一次 iPAS AI 應用規劃師 初級 科目一 人工智慧基礎概論 第 10 題

看官方原文 PDF

原題 © 經濟部產業發展署,AITerms.tw 僅作教學解析使用,本站解析以 CC BY-NC-SA 4.0 授權。