动态像素绘画——StarDust



对绘画的思考：

  最早的绘画起源远古人类对于事物的记录，在漫长的发展过程中，绘画由最初的注重外在，而向事物内在进行探寻。从单纯的记录到表达情感，传递思考。因此我选择了用星尘StarDust这个亘古不变的题材，串联起远古和现在，希望使用者能轻松的创作这样一幅星尘的画作。

设计思路

（1）精简交互的机制。为了让绘画内容颜色和大小能与整体相匹配，我没有使用调色板和画笔大小调整功能，而是跟随用户鼠标随机生成预制的图案。

（2）亲和的画面。为了让整个画面更加亲和，而且减少程序的运算效率，我选择了像素这样一种形式，而且图案绘制很方便，在以后可以继续绘制更多图案，丰富程序内容，有较好的拓展性。

（3）音乐与绘画过程的融合。在实际的绘画过程中，我加入了音乐播放的功能，宁静的音乐中，使用者的绘画会有更强的沉浸感。



实现过程 

笔刷类

    用Drawing判断是否开始绘画，开始绘画时生成随机数，判断此时生成那种图案，并且为了避免行星图案过于密集，因此通过随机数对其出现次数进行限制

#笔刷类
class Brush (object):
	def __init__(self,screen):
		self.drawing = False
		self.screen = screen
		self.brush_group =pygame.sprite.Group()
#开始绘图
	def start_draw (self,pos):
		self.drawing = True
#绘图过程
	def draw(self, pos,drawflag):
		if drawflag == 0:
			if self.drawing:
				chose = randint(0,4)
				chose2 = randint(0,50)
				if chose == 0:
					brush = Star_1(pos)
					self.brush_group.add(brush)
				elif chose ==1:
					brush = Star_2(pos)
					self.brush_group.add(brush)				
				elif chose ==2:
					brush = Star_3(pos)
					self.brush_group.add(brush)	
				elif chose ==3:
					brush = Star_4(pos)
					self.brush_group.add(brush)					
				elif chose ==4:
					if chose2 == 0:
						brush = Sun_1(pos)
						self.brush_group.add(brush)	
					if chose2 >0 and chose2 <=3:
						brush = Sun_2(pos)
						self.brush_group.add(brush)
					if chose2 >3 and chose2<6:
						brush = Sun_3(pos)
						self.brush_group.add(brush)
					if chose2 >6 and chose2<10:
						brush = Sun_4(pos)
						self.brush_group.add(brush)
#结束绘图				
	def end_draw(self):
		self.drawing =False

  星星类 

    继承了pygame.sprite.sprite类，用于让每个星星进行向上移动，初始化图片，碰撞体积，速度

class Star (pygame.sprite.Sprite):
	def __init__(self, initial_position,star_surface):
		pygame.sprite.Sprite.__init__(self)
		self.image = star_surface
		self.rect = self.image.get_rect()
		self.rect.topleft = initial_position
		self.speed = 1
	def update(self):
		self.rect.top -= self.speed
		if self.rect.top < 0:
			self.kill()

星星1

  继承星星父类，初始化三张图片，并根据程序帧数变换更新图片，让图片动起来。

class Star_1(Star):
	def __init__ (self,initial_position):
		self.star_surfaces = [pygame.image.load("star2_1.png"),
									pygame.image.load("star2_2.png"),
									pygame.image.load("star2_3.png")]
		self.r = randint(0,2)
		self.flag = 0
		Star.__init__(self,initial_position,self.star_surfaces[self.r])
		
	def update(self,tick):
		Star.update(self)
		tick = tick//(ANIMATE_CYCLE//3 )
		if self.flag != tick :
			self.r +=1
			self.flag  = tick
		if self.r >=3:
			self.r = 0
		
		self.image = self.star_surfaces[self.r]

Painter类

  初始化，窗口大小，帧数计数

class Painter(object):
	def __init__(self):
		self.screen = pygame.display.set_mode((800, 600))
		pygame.display.set_caption("Star Dust")
		self.brush = Brush(self.screen)
		self.clock = pygame.time.Clock()
		self.ticks = 0 #帧数计数

 计数器更新，监控鼠标事件，更新图片

	def run(self):
		mouse =pygame.image.load("rock.png")
		
		self.screen.fill((24, 20, 37))
		while True:
			self.screen.fill((24, 20, 37))
			self.clock.tick(FRAME_RATE)
			self.ticks +=1
			for event in pygame.event.get():
				if event.type == QUIT:
					
					return
				elif event.type == KEYDOWN:
					if event.key == K_ESCAPE:
						self.screen.fill((24, 20, 37))
				elif event.type == MOUSEBUTTONDOWN:

					self.brush.start_draw(event.pos)

				elif event.type == MOUSEMOTION:
					r = randint(0,2)
					self.brush.draw(event.pos,r)
					pass
				elif event.type == MOUSEBUTTONUP:
					self.brush.end_draw()

			if self.ticks >= ANIMATE_CYCLE:
				self.ticks = 0
			self.brush.brush_group.update(self.ticks)
			self.brush.brush_group.draw(self.screen)
			
			pygame.display.update()


 

 

 

 

自己编译免费Aseprite
保护手腕，从我做起
好用的像素图编辑器Aseprite在stream卖70RMB，但是官方在Github上提供了源代码，可以免费获取。



为了避免大家剁手购买，本教程介绍自己编译Aseprite的方法，总结一下自己走的弯路。
准备工作


获取Aseprite源码

打开Aseprite下载地址，下载最新版源代码的压缩包，解压。




安装Visual Studio 2019和Windows 10 SDK(10.0.18362.0)

下载并打开vs_community，进入Visual Studio安装界面，安装使用C++的桌面开发。



进入单个组件，左上角搜索windows，在SDK、库和框架里有Windows 10 SDK(10.0.18362.0。然后点击右下角的修改（不过由于我之前已经安装过了，所需空间可定不是51M）。

如果你有兴趣的话，可任意安装其他的模块或者组件。


安装CMake

CMake下载地址（这个网站打开有点慢）根据自己电脑的系统选择对应的软件版本。我的电脑是Windows10 64位系统，就下载64位安装版，如下图。如果是32位系统，就下载Windows win32-x86 Installer。如果不知道自己电脑是多少位的，就用32位的。一般，新电脑（大概五六年内的电脑都算新电脑）都是64位系统。



安装进入这个界面时选择Add CMake to the syetem PATH for all users。然后下一步直到安装完成。这样CMake就安装完成了。


下载Ninja

Ninja下载地址（这是Ninja的Github地址，在这里下载Ninja）

Ninja官网

对于Windows用户下载Ninja-win.zip即可。下载之后解压。




下载Skia

Skia下载地址

相同的方法下载并解压Skia。32位系统下载x86版本，图中红色方框下面一个压缩包。




编译Aseprite


将Aseprite源码、Ninja和Skia放在同一个文件夹方便使用。如下图：




打卡Cmd，输入cmake --version测试CMake是否安装成功。如果显示的版本与你下载的版本相同（前面我下载的是3.18.2版本），则CMake安装成功。


进入Aseprite目录，输入指令cd Aseprite的目录。如我的目录是 C:\Users\xiang\Downloads\ase\Aseprite-v1.2.25-Source，就输入 cd C:\Users\xiang\Downloads\ase\Aseprite-v1.2.25-Source

新建一个文件夹build，输入指令md build，当然也可以点击右键新建文件夹，重命名为build

进入build文件夹，cd build




输入指令 call "C:\Program Files (x86)\Microsoft Visual Studio\2019\Community\Common7\Tools\VsDevCmd.bat" -arch=x64，如果你的电脑是32为系统，将最后一个参数 -arch=x64改成-arch=x86。指令执行之后显示红色方框里的内容时表示调用Developer Command Prompt for VS 2019程序成功。




输入指令cmake -DCMAKE_BUILD_TYPE=RelWithDebInfo -DLAF_BACKEND=skia -DSKIA_DIR=Skia的路径 -DSKIA_LIBRARY_DIR=Skia的路径\out\Release-x64 -DSKIA_LIBRARY=Skia的路径\out\Release-x64\skia.lib -G Ninja ..

其中，将Skia的路径改成你的Skia所在的位置。如下图是我的Skia路径，将Skia的路径改成C:\Users\xiang\Downloads\ase\Skia-Windows-Release-x64，改后的指令就是

cmake -DCMAKE_BUILD_TYPE=RelWithDebInfo -DLAF_BACKEND=skia -DSKIA_DIR=C:\Users\xiang\Downloads\ase\Skia-Windows-Release-x64 -DSKIA_LIBRARY_DIR=C:\Users\xiang\Downloads\ase\Skia-Windows-Release-x64\out\Release-x64 -DSKIA_LIBRARY=C:\Users\xiang\Downloads\ase\Skia-Windows-Release-x64\out\Release-x64\skia.lib -G Ninja ..

然后，等待编译完成。


输入指令Ninja aseprite，要将Ninja换成他实际所在的位置。可以选中ninja.exe，按住Shift点右键，选择复制为路径，在Cmd中点右键粘贴，去掉双引号，如C:\Users\xiang\Downloads\ase\ninja-win\ninja.exe aseprite。



等待执行完成，那么编译工作就完成了。


结束
文件夹build中的bin文件夹内的程序就是软件本体了。可以把它单独的复制到其他位置使用。bin文件夹中的aseprite就是可执行程序了，双击即可运行软件。


注意事项

CMake版本必须在3.14版本及以上，否则编译不会成功
由于Aseprite的源码不支持MinGW，所以需要将MinGW从环境变量中删除，以免影响编译。编译完成后可以再加回来。

iOS 像素与点
像素与点的关系
导入标的时候，我们都知道有1倍、2倍、3倍图。对应在1倍、2倍、3倍屏幕上使用。
那这些不同倍图（不同分辨率屏幕）与日常点的关系是什么了。
1倍屏: 1个点（point）对应1个像素（piexl），比如第一批 iPhone
2倍屏: 1个点（point）对应4个像素（piexl），横竖各3列，比如 iPhone6
3倍屏: 1个点（point）对应9个像素（piexl），横竖各3列，比如iPhone6Plus
像素示例图如下

红色矩形表示一个点， 不同倍屏对应不同像素点。
在日常开发中，我们大部分只需要关注 point, 由系统去帮我们处理像素转化。
绘制1像素的线条
想不明白？
mport UIKit

class ViewWithBottomLine: UIView {
    @IBInspectable var separatorColor: UIColor = Your default color

    override func draw(_ rect: CGRect) {
        super.draw(rect)

        guard let context = UIGraphicsGetCurrentContext() else {
            return
        }

        let scale = UIScreen.main.scale

        let width = 1 / scale
        let offset = width / 2

        context.setLineWidth(width)
        context.setStrokeColor(separatorColor.cgColor)
        context.beginPath()
        context.move(to: CGPoint(x: 0, y: rect.maxY - offset))
        context.addLine(to: CGPoint(x: rect.maxX, y: rect.maxY - offset))
        context.strokePath()
    }
}

绘制一像素需要设置偏移量。
参考：https://www.jianshu.com/p/abcb18335e44
警惕奇数线条
虽然在开发中，我们只需要关注逻辑像分辨率（point）,但是如果遇到奇数（宽高）线条在绘制的时候也可能产生锯齿现象。
比如当宽度为3的线条居中时，就需要调整偏移量，保证线条不发生锯齿。

发生锯齿原理

修正做法， 添加0.5的偏移量，和宽度。
let halfPointShift: CGFloat = 0.5
//to the start of the horizontal stroke
plusPath.move(to: CGPoint(
  x: halfWidth - halfPlusWidth + halfPointShift,
  y: halfHeight + halfPointShift))
    
//add a point to the path at the end of the stroke
plusPath.addLine(to: CGPoint(
  x: halfWidth + halfPlusWidth + halfPointShift,
  y: halfHeight + halfPointShift))

参考
Drawing and Printing Guide for iOS
CoreGraphic实现自定义按钮和轮盘-raywenderlich
抗锯齿处理: （针对图片旋转产生锯齿）1.开启 UI 控件的抗锯齿功能 2. 绘制带有一像素的透明边的图片 3. 使用更清晰的像素。

 



Sprite生产的几个阶段。 即草图，线条图，底纹，区域上色和索引。

上面的图片来自Trajes Fatais：Feats of Fate游戏，我作为首席开发者从事该游戏的制作。 长话短说，每个精灵要绘制大约一小时，每个角色平均要绘制五百个精灵。 在“游戏的机器学习辅助资料生成：像素绘画Sprite表格研究”中，我们探索了Pix2Pix架构来自动生产Sprite的流程，将每个Sprite花费的平均时间减少了15分钟（〜25％）。 这是我们首次发表的有关精灵生成的工作，我们希望在将来进一步改进它。

该论文获得了2019年巴西游戏与数字娱乐研讨会（SBGames 2019）的最佳论文奖。

像素绘画是视频游戏中最受欢迎的美学之一。 它致力于重现任天堂和Arcade旧游戏的外观。 在90年代，像素绘画是大多数游戏机的唯一选择。 屏幕分辨率有限，并且大多数设备无法实时执行高级技术。 如今，像素绘画已成为一种选择-一种昂贵的选择。

为了实现街机游戏的外观和感觉，绘画者必须受颜色数量限制。 最初的Game Boy只有四种绿色。 它的继任者Game Boy Color可同时显示多达56种不同的颜色。 后来的设备称为16位生成器，每个像素点最多允许256种颜色，这是美学上的重大突破。 在我们的游戏中，我们限制为每个角色256个颜色。



 

每个像素点都有自己的256种颜色

通常，像素点是“索引精灵”与“调色板”的混合体。 绘画时，绘画者使用与调色板的256种颜色之一相关的“索引”对每个像素进行着色。 在游戏中，每个索引精灵都用其关联的颜色替换，从而构成最终图像。 此过程使设计人员可以为每个角色创建不同的“皮肤”，从而允许用户自定义其体验并为角色创建“邪恶”版本。 下图描绘了索引精灵，调色板和渲染的混合。



 

索引精灵，调色板和渲染

将绘画者的颜色选择限制为256种是不科学的。 这使得选择阴影很难。 为了简化此任务，在语义上对工作进行了划分。 在我们的通道中，生成了两个中间的精灵：“阴影”精灵和“区域”精灵。 前者最多使用6个选择来表示“灯光”，而后者最多使用42个选择来表示精灵的“区域”，例如手臂，头发，腿等。将两个精灵像素相乘 -之后我们获得了索引精灵，它最多可以支持252种颜色（6 * 42）。 下图显示了阴影，区域和索引精灵的示例。 此过程将256色问题转换为两个简单的子问题，每个子问题分别具有6和42色。



 

从左到右，阴影，区域和索引精灵。

最终，每个角色都是由一个人设计的，他这将为其所有动画进行绘制。 它们以“草图”子图形显示，后来又被精炼为“艺术线条”子图形。 前者用于在游戏中快速制作新动画的原型，后者用于与其他绘画者交流最终精灵的外观。 这样，设计人员可以在几天内概念化整个角色，并将其余工作外包给绘图团队。 以下是草图和艺术线条精灵的示例：



 

草图和艺术线条

设计师将所有动画放在一起，通过绘制每个动画的草图，然后制作各自的艺术线条来创建角色。 这些线型精灵将按顺序传递给绘图团队，后者将绘制它们的着色和区域。 最后，使用脚本将两者结合起来以生成可用于游戏的索引精灵。

总共大约需要一个小时。 草图，线条图和区域精灵的制作平均需要10分钟，而阴影则需要花费其余时间才能完成。 跟踪每个图纸花费的确切时间几乎是不可能的。 为了计算它们，我们检查了生产日志，采访了团队，并以可控的方式测量了12个精灵的绘制步骤。

假设使用机器学习模型可以生成阴影和彩色图片，那么生成的精灵必须足够好，以至于人类绘画者可以用比从头开始绘制更少的时间来完善它。

生成对抗网络入门

在这项工作中，我们解决了两个图像映射问题：线条到阴影和线条到区域。 形式上，我们必须创建一个生成器G（x），该生成器从线条艺术中接收输入，并在阴影/区域中生成输出。 此问题也称为图像翻译。

为了保证G（x）是有用的映射，我们将创建一个鉴别器D（x，y），该鉴别器查看x和y并说明y是否是一个优质子画面。 换句话说，G是我们的“虚拟艺术家”，D是我们的“虚拟鉴赏家”。 如果我们能让G使D开心，那么我们就有一个有用的映射。

更详细地说，考虑一下我们有几个线条艺术精灵（x）以及已经绘制的人类绘画者的阴影和区域精灵（y）。 我们知道这些通过了质量控制，因此D（x，y）将很高兴。 现在我们的任务是训练G给定x产生ŷ（对实y的模仿）。 如果复制良好，D将批准ŷ； 否则，它将予以谴责。 最后，我们会修正D的对与错，并要求D提供有建设性的反馈。

我刚刚描述的过程称为对抗训练。 从某种意义上说，两种模式“竞争”，一种正在试图击败另一种。 在我们的案例中，G试图击败D使其认为ŷ是y，而D则拼命试图说出什么是真实的，什么是假的。 随着时间的流逝，G将成为成功的艺术家，而D可能会被解雇。

通过使用神经网络实现G和D，我们得到了所谓的生成对抗网络。 将标题分解为“条件”是因为G接受x而不是随机噪声作为输入，“对抗”是因为它训练对手成为输入器，而“网络”则是（神奇！）神经网络 。

从算法上来说，对于每个线条艺术x和阴影/区域精灵y：

使用G从x生成ŷ
	
使用D评估ŷ是否看起来逼真
	
使用y和D的反馈来训练G
	
训练D认识到ŷ是假的而y是真的。
多次对整个数据集重复执行此过程，最终将融合为一个G网络（创建逼真的绘画）和一个D网络（无法分辨出图像是真实的或伪造的）。

Pix2Pix架构

Pix2Pix体系结构为基于U-Net生成器和基于补丁（Patch）的鉴别器。 下图显示了组合的体系结构。 鉴别器经过训练，可将每个32x32图片分类为真实或伪造，并经过交叉熵损失训练。 反过来，训练生成器以使y和ŷ之间的L1损失最小，并使鉴别器损失最大。



 

高级Pix2Pix架构。

U-Net模型是基于编码器-解码器思想的全卷积神经网络。 对于每个编码器层，将跳过全连接添加到解码器层。 这允许网络利用来自编码层的“原始”信息和通过解码器层的“已处理”信息。 这里给出了该体系结构及其相应出版物的全面概述。

鉴别器是一个截断的网络，输出对多个补丁图像的判断，而不是对整个图像的判断。 因此，鉴别器向生成器提供详细的反馈，指出哪些区域看起来是真实的，哪些区域看起来是伪造的。 可以在此处找到该体系结构内部细节的完整概述。

与原始网络相比，我们进行了以下更改：

我们使用了Y型网络。 一个编码器，两个解码器和两个鉴别器。 这样一来，即可解决阴影和区域问题。
	
使用分叉架构，每个分支都有两个损失。 同样，我们使用L2范数代替L1范数，因为它显示出更好的结果。
	
原始论文使用LeakyReLU单位。 我们使用了ELU单位。
	
在编码器中，我们对每次下采样使用了两次卷积运算，而不是一次卷积。
数据集



 

在Trajes Fatais游戏中，我们选择了Sarah和Lucy角色作为数据集，以评估Pix2Pix体系结构。 莎拉(Sarah)角色只有87个完成的精灵，还有207个需要绘制。 它也是一个中等复杂的图片，具有多个平滑复杂的区域。 另一方面，露西（Lucy）角色已完成，因此它具有530个完全绘制的精灵，并且非常容易绘制，具有大部分平滑的特征。

从某种意义上说，露西是我们的上限。 它具有我们希望得到的所有数据，并且很容易绘制。 如果该算法无法处理露西，那么其他任何数据都可能会失败。 相比之下，莎拉是我们常见的情况：一个中等复杂的人物，只有几十个精灵可以训练。 如果算法对莎拉有用，那么它可能对我们有价值。

结果



 

可以看出，该算法对于阴影问题和区域精灵的问题具有很好的结果。 因为颜色变化了，并且精灵周围有一些噪声。 对于着色精灵，只检测到了较小的问题，例如第二行中的肩膀和腿部。



 

在第二批中，可以找到更多问题。 在生成的阴影列中，可以在阴影区域看到许多伪图像，例如在女孩（第一个行），鸭嘴兽的背部（第2行）和鸭嘴兽的喙（第3行）上。 对于彩色画面，会存在大量噪声，使这些子画面无法使用，因为人类很难去除噪声。



 

第三批的作品来自207个精灵，仅提供艺术线条。 因此，这些需要主观分析来评价效果。 这些行分别由类似于训练中使用的子图形，以前不曾看到的精灵的子图形和其他精灵的子图形组成。

尽管第一行最有用，但是第二和第三行上的彩色图像会迅速恶化。 着色精灵的质量基本保持一致。 但是，着色精灵的第三列不一致。 第二行中的正面小精灵的脸应更亮，并且右下角的小精灵的亮度不连续。

现在，我们可以确定的假设着色精灵可以使用，但是区域精灵却不能使用，因为它们噪声太大并且存在色移问题。 让我们将注意力转移到露西。



 

露西精灵的数据多了五倍，与莎拉相比改善更加明显。 阴影精灵几乎完美，阴影区域的毛发很小，头发的差异可忍受。 但是，区域精灵仍然远非最佳。 色移问题和噪点仍然存在。 这表明增加数据集大小并不能使这些问题得到明显改善。



 

第二批包含我们手动选择的精灵，因为它们与大多数其他精灵有很大的不同。 尽管如此，阴影精灵仍然与人类绘制的精灵几乎相同。 彩色图像的质量也并没有像莎拉一样严重下降。 但是，它仍然远远达不到理想的结果。

考虑到这些结果，可以说增加数据集的大小可以显着改善阴影，但不能改善区域。 由于露西是我们的最佳情况，因此可以假设我们需要另一个问题表述/体系结构来解决区域精灵问题。

为了更客观地量化所生成内容的质量，我们计算了两个数据集的MSE，MAE和SSIM分数。



 

从表中可以看出，在所有这三个指标上，阴影精灵的均值（μ）和方差（σ²）比彩色图像更好。 同样，75％的四分位数与最大可见值之间的差异很大，这表明分布偏斜。

此外，露西（Lucy）的结果始终好于莎拉（Sarah）的结果，其方差低得多，而且歪斜度也大大降低。

SSIM评分的范围从0（完全不相似）到1（完全相同），并衡量两个图像的感知相似度。 虽然MSE和MAE纯粹是数学概念，但SSIM分数与人类感知更加相关。 在表中，阴影精灵的得分接近1，表明它们与平均观察者几乎相同，而彩色图像则并非如此。

作为第三次也是最后一次评估，我们要求设计团队对207个为莎拉生成的精灵进行评论。 他们的反馈意见大多是积极的，称赞了着色精灵的质量并丢弃了彩色精灵。 总之，他们发表了四点评论：

几乎一半的着色精灵有用，可以在20到30分钟内完善。 彩色精灵不可用。
	
该算法在单个动画中效果不稳定，这可能会使子画面失效。
	
某些姿势下即使是着色精灵也会产生可怕的结果。
	
将色彩数量固定为使用6和42种颜色时，会引入一些不必要的噪音。
2、3和4。


 

八帧动画中的身体明亮度不一致



 

使用与训练中使用的姿势相差太大的姿势会产生较差的结果。



 

在量化为6和42种颜色数量时，会引入一些噪音。 在轮廓中可以很容易看到。

结论

在这项工作中，我们评估了使用现代生成模型来解决像素艺术生成问题的效果。 即，我们采用了改进的Pix2Pix架构，取得了一定程度的效果。 更详细地讲，着色精灵被艺术团队认为是有用的，而彩色小精灵则被认为是无用的。

对于着色精灵，团队提出平均需要20到30分钟来完善每一个精灵，比从头开始绘制一个要少10到30分钟。 保守的估计是，每个有用的精灵都会节省10分钟的劳动时间，这意味着生产力提高了约15％。

尽管具有更多的颜色，但对于设计团队而言，区域精灵所花费的时间并不多于着色精灵。 正如首席美术师所解释的那样，动画中的区域更容易预测，并且可以轻松地从一个精灵复制到另一个精灵。 因此，不生成它们不是大问题。

从技术角度来看，这项工作证明了当前模型可以有效地用作创造性任务的助手。 其他动漫领域也发现了类似的结论，动漫领域主要是由平坦而丰富的颜色组成，并且比像素艺术具有更少的限制。 此外，Pix2Pix模型适用于现实世界的图片，也适用于像素艺术和动漫数据，这证明了其普适性。

未来的工作

我们当前的系统基于Pix2Pix模型，基于像素。 但是，我们的问题可以根据图像分割名词来表述为按像素分类。 这样的思路可能会大大改善我们的结果。

有时，简化问题可能使其更易于处理。 区域精灵共有42种颜色，但每个精灵仅出现大约十二种颜色，并且这些颜色占据所有精灵中很大一部分。 将问题缩小为更具选择性的阴影可能会减轻生成器的工作压力。

Pix2Pix创始于2017年。自那时以来，GAN取得了一些进步，包括更好的损失函数，注意力机制和改进的方法。 使用更先进的技术可能会大大改善结果。

U-Net和Pix2Pix的参考资料

O. Ronneberger, P. Fischer, and T. Brox, “U-net: Convolutional networks for biomedical image segmentation” 2016

P. Isola, J.-Y. Zhu, T. Zhou, and A. A. Efros, “Image-to-image translation with conditional adversarial networks” 2017

作者：Ygor Rebouças Serpa

deephub翻译组：孟翔杰