تولید هوشمند نقاشی دیجیتال با تحلیل معنایی تصویر و بهینه‌سازی ادراکی تابع هزینه

هدف این مقاله، طراحی و پیاده‌سازی یک این مقاله به طراحی و پیاده‌سازی سامانه‌ای هوشمند برای تولید نقاشی دیجیتال می‌پردازد که با الهام از تکنیک‌های سنتی هنرهای تجسمی و ترکیب آن‌ها با الگوریتم‌های یادگیری ماشین توسعه یافته است. چالش اصلی، تبدیل فرایندهای خلاقانه انسانی به مراحل محاسباتی و قابل کنترل است. با استفاده از رویکرد پژوهش از طریق طراحی (rtd)، چرخه تولید نقاشی دیجیتال به‌صورت مرحله‌ای مدل‌سازی شده است. سامانه شامل سه بخش اصلی است: تحلیل معنایی تصویر ورودی با الگوریتم‌های بخش‌بندی (k-means، deeplabv3، deeplabv3+da و u-net) برای شناسایی نواحی مهم تصویر؛ استخراج تکنیک‌های ضربه‌قلم در دو سبک blocking-in و detail-first برای کنترل فرآیند نقاشی؛ و استفاده از ماژول مولد مبتنی بر شبکه‌های دیفیوژن برای خلق اثر نهایی. آموزش سامانه با تابع هزینه ترکیبی از خطای پیکسلی، ادراکی و لبه انجام شده است. نتایج نشان‌دهنده بهبود چشمگیر دقت بخش‌بندی و کیفیت خروجی با مدل u-net است و ارزیابی انسانی تایید می‌کند که سامانه قادر به تولید نقاشی‌هایی با ساختار واقع‌گرایانه، ضربه‌قلم‌های متنوع و هماهنگ با ساختار معنایی تصویر است.

ntelligent digital painting production with image semantic analysis and cost function perceptual optimization

this paper presents an intelligent digital painting system inspired by traditional art techniques combined with machine learning. the main challenge addressed is translating human creative processes into computational, controllable steps. using a research through design (rtd) approach, the digital painting workflow is modeled step-by-step. the system consists of three key components: (1) semantic analysis of input images via segmentation algorithms like k-means, deeplabv3, deeplabv3+da, and u-net to identify main image regions such as background, subject, and details; (2) extraction of brushstroke techniques in two styles, blocking-in and detail-first, to guide the painting process; and (3) a generative module based on diffusion networks to create the final artwork. the system is trained with a combined loss function incorporating pixel error, perceptual error, and edge error. experimental results demonstrate significant improvements in segmentation accuracy and output quality when using u-net compared to other methods. human evaluations confirm that the system produces realistic paintings with diverse brushstrokes that align well with the semantic structure of the images, showing promise for integrating traditional artistic styles with modern generative models.