| Citation: |
DING Zilong, LI Yan, LIU Qi, SHAO Wei. Revitalization and Inheritance Methods of Qing Dynasty Adornments Based on Artificial Intelligence Generated Content (AIGC) Image Diffusion Model[J]. Journal of Gems & Gemmology, 2024, 26(5): 100-110. DOI: 10.15964/j.cnki.027jgg.2024.05.011
|
Ancient Chinese adornments, as cultural symbols spanning millennia, possess profound cultural depth and historical value. This study leverages artificial intelligence generated content (AIGC) technology, utilizing image diffusion models such as LoRA and Stable Diffusion, to deeply excavate and restore the rich essence of ancient Chinese adornments. Through digital technology, the study scientifically characterizes and constructs digital models of Qing Dynasty adornments with complex materials and craftsmanship. By combining actual cultural relics and documentary evidence, the research provides virtual display and revitalization methods for precious adornments that have been damaged or are technically inaccessible. Additionally, the study explores the new roles of ancient adornments in modern society, promoting the development of a new Chinese-style adornment system and leading the activation and utilization of cultural heritage into the digital age.
中华民族使用多种材质装饰自身的历史悠久而丰富[1]。佩饰作为社会发展与文化演变的关键标志，不仅划分阶级、彰显财富，还体现了文化信仰与族群精神。尤其是清代时期，佩饰文化作为民族特色的鲜明体现，是多元一体、包容共生的文化现象, 它不仅伴随中国传统精神信仰的发展(如玉文化、自然崇拜等)，还映射出社会的发展趋势[2-3]。这一时期的手工业及珠宝加工业不仅是艺术、工艺和技能的集中体现，也是物质文化遗产和非物质文化遗产的重要发展时期。然而，由于历史时期的演变，传统佩饰文物出现残缺、失传、展示困难以及经典艺术设计与现代商业无法融合等诸多问题。伴随人工智能生成内容(AIGC)技术发展，Yang等[4]使用CycleGAN模型对书法字迹和绘画图像进行了风格融合，于鹏等[5]和侯云鹏等[6]利用LoRA模型分别对苗族服饰和漆器文物进行了活化创新等研究。AIGC的出现突出数字化复原和研究的高效性、还原性以及定制化和多样化能力，为佩饰的活化利用和创新开辟了新道路。
本文通过分析清代佩饰的设计纹样、材质与工艺选择，提取关键的设计元素应用于AIGC图像模型训练，通过生成、风格迁移和多模态数据处理等手段，还原清代佩饰的风格与细节，促进文化遗产的活化与传承的同时实现清代佩饰在现代虚拟环境中的复原与展示(图 1)。
人工智能生成内容(Artificial Intelligence Generated Content，AIGC)作为继专业生成内容(Professional Generated Content, PGC)和用户生成内容(User Generated Content, UGC)之后成为在深度学习领域的新模式，不仅弥补了PGC以及UGC模式在内容数量和质量上的不足[7-8]，同时打开了图像设计数字化、智能化的新进程。
伴随神经网络算法的快速迭代，深度学习领域通过结合卷积神经网络[9](Convolutional Neural Network，CNN)、递归神经网络[10](Recurrent Neural Network，RNN)、生成对抗网络[11](Generative Adversarial Nets，GAN)、Transformer[12]、去噪扩散模型[13](Denoising Diffusion Probabilistic Models，DDPM)等不同算法，在艺术设计领域涌现出包括基于GPT(Generative Pre-trained Transformer)模型的Dall-E (DRAW & ALL Image MAKER. Enhanced)[14-15]以及稳定扩散模型(Stable Diffusion，SD)[16]、Wonder 3D[17]等一系列AIGC设计应用大模型。
图 2展示了AIGC关键技术的发展历程。从1989年卷积神经网络(CNN)[9]提出的包含卷积层、池化层和全连接层的特殊网络架构，到2012年AlexNet架构在处理复杂的图像视觉任务上的成功应用，CNN成为了图像识别处理和设计生成领域中的核心技术[18]。2015年变分自编码器(VAE)[19]、对抗生成网络(GAN)[11]和扩散模型(Diffusion Model)[20]的出现在图像生成、风格迁移等领域打开数字化艺术图像领域的新篇章。直到2017年Transformer的出现，掀起了NLP领域热潮并随后在图像设计、识别、处理等计算机视觉领域中快速发展，不仅产生了符合各项任务的多样化变体，更摒弃了相较于CNN堆叠大量卷积层扩大感受野以及RNN顺序处理序列的复杂特性，其架构的多样化变体包括谷歌的BERT(Bidirectional Encoder Representations from Transformer)[21]、OpenAI的GPT以及VIT(Vision Transformer)[22]和TNT(Transformer in Transformer)[23]等。2020年DDPM对传统的扩散模型(DM)进行优化，通过训练一个参数化的马尔可夫链来实现模型在正向过程中逐步向数据中增加高斯噪声，在逆向过程中则逐步去除噪声，从而恢复出与原始图像接近的数据[13]。从此DDPM一举成为在数字化图像设计、创作生成等方面的卓越代表，不仅为Stable Diffusion的开发提供了理论基础和技术框架，还对图像艺术创作和传统艺术设计产生了重大影响。
清代佩饰的设计题材展现了中国传统文化的精粹，其纹饰和图案不仅仅是装饰，更是一种文化和审美的表达。这一时期，佩饰的设计题材涉及广泛，大致可分为四类：动物纹、植物纹、宗教纹以及图腾纹样(表 1)[3, 24]。
| 纹样类型 | 纹样题材 | 题材特征 | 寓意 |
| 动物纹样 | 蝴蝶纹 | 蝴蝶纹样变化多样，从图案化团蝶纹到写实飞蝶纹，精致而生动 | 美好、和谐、爱情 |
| 鱼纹 | 鱼形纹样形态生动, 表现形式自由流畅 | 开枝散叶、多子多福 | |
| 蝙蝠纹 | 因“蝠”与“福”谐音，蝙蝠纹常用作吉祥图案，蝙蝠的形式变化丰富，包括倒挂蝠、双蝠等 | 福气、幸福 | |
| 鹤纹 | 鹤纹在首饰中以婀娜的姿态展示，常与寿字、葫芦等吉祥物出现 | 常与道教思想相关，长命百岁，天赋吉祥 | |
| 植物纹样 | 牡丹纹 | 牡丹纹表现形式多样，如适合式、对称式、均衡式，在金银首饰中，牡丹的花瓣、叶脉与花蕊等细节表现精细 | 富贵、繁荣昌盛 |
| 莲花纹 | 莲花纹表现形式多样，如单线双线、宽瓣、宝装等 | 纯洁、生生不息 | |
| 葫芦 | 葫芦与“福禄”谐音，葫芦纹常与“寿”字组合出现 | 福禄、健康 | |
| 宗教纹样 | 佛教 | 描述佛教器物或佛陀形象，例如观音、佛，八宝等题材，具有较强的宗教色彩 | 佛教信仰 |
| 道教 | 描述道教中的神仙或仙境，如八仙过海，群仙等题材，体现道教文化的深厚底蕴 | 道教信仰 | |
| 图腾纹样 | 龙纹 | 龙纹高度精细化，以“三停九似”为标准，每个部分都具备完整结构 | 尊贵、皇权 |
| 凤纹 | 凤纹装饰华丽而细腻，常与牡丹花卉结合，使用于高级的服饰和首饰，如锢以铁丝和纸板为架，表层点翠，口衔珍珠宝石 | 和谐、尊贵 | |
| 夔纹 | 夔纹在清代中期略有简化，多与龙纹组合，反映了清代对骑射文化的重视以及对神话传统的继承与发展 | 权利、财富 | |
| 蟠璃纹 | 蟠螭纹有的作二方连续排列，有的作四方连续纹样，其复杂排列和设计反映了当时的审美和技艺水平 | 吉祥、美好 |
DownLoad:
CSV
清代作为我国最后一个由少数民族统治的封建王朝，皇帝的集权也达到了顶峰[25]。在佩饰方面，清代不仅继承了前朝的雍容华贵和精雕细琢，还将不同文化进行融合，形成了首饰纹样多元化的格局[24]。在明代，佩饰的纹样既展现了自然之美又蕴含着丰富的文化内涵。不仅植物纹和动物纹在佩饰设计中占有重要地位，以道教和佛教为题材设计成的释道纹样同样广泛运用于金银佩饰中[26]。这种文化多样性使四类纹样成为古代器物和艺术品上常见的装饰，拥有悠久的历史和广泛的应用价值。
清代佩饰同样与四大纹样类型息息相关，不仅采用了大量诸如蝙蝠、鱼、莲花等吉祥寓意图案，也融入了佛教、道教等宗教元素，如龙、凤、莲花、八宝等，表达了对美好生活的期盼和宗教信仰的敬畏。不同于明代时期，清代佩饰不仅在纹样方面常采用多种纹样元素组合的设计，还注重佩饰的实用性，呈现出功能的多元化的趋势[24, 27](图 3)。
明、清时期的社会变迁也在佩饰的设计中得到体现。随着社会文化的多元化发展和技术水平的发展，佩饰设计趋向于更加精细和复杂，逐渐从严格的传统规范中解放出来，开始尝试多样化和个性化的表达。但不同社会阶层之间仍存在差异，贵族阶层的佩饰通常采用昂贵的材料和复杂的工艺，以展现其富贵、地位及其对奢靡生活的追求。
一些自然元素纹样从明代到清代期间愈发写实，这导致同一纹样不同时期可能会有所变化，一定程度上对设计模型的训练产生影响，需要对训练集中不同类型的纹样进行元素重组拆分，图片标准化、精确打标等一系列预处理。此外，在图像生成任务中，针对清代时期纹样特点进行融合，在使用LoRA对Stable Diffusion进行微调时，需要确保通过更新的低秩参数能够捕捉到两种不同风格的关键特征，并对Epoch、Loss Function等重要参数进行调整，确保有效融合这些特征的同时防止过拟合情况的发生。
由于经济繁荣和社会阶层的分化，清代佩饰材质和工艺的多样性达到了前所未有的高度。自南北朝以来，佩饰材质多以素金为主，极少的粘镶宝石也源于西域，随着明代对外贸易的开放，保障了宝石首饰的材料供应和技术支撑，明代佩饰的材质愈加丰富[28]。到清代时期，首饰发展更为成熟[25]，多元化材质的选用使得首饰的装饰效果更佳，尤其在贵族女子中有着显著体现[27]。
金银等贵金属的广泛应用，特别是在社会上层中，这些材质因其自身的美感，稀有价值以及加工难度，不仅体现了权力和财富的象征，还成为彰显身份地位的一种标志。早在明代时期，钻石、珊瑚、翡翠等彩色宝石的广泛使用，成为了一种时尚趋势，也是宝石首次作为主要材料出现在中国佩饰的历史舞台上[29]。在古今中外多重因素的影响下，清代佩饰所使用的材质具有更多元化特点，包括宝石(水晶、玛瑙、琥珀、珍珠)玉石(翡翠、绿松石、和田玉)和贵金属等[27]。
此外，清代佩饰在工艺方面同样得到了空前发展[2]。明代佩饰工艺展示了一种精细且复杂的工艺美学，而清代佩饰将工艺水平推至了新的高度。金银细工、珐琅、玉雕等工艺等都在这一时期得到充分发展[24]。特别是金银佩饰方面，清代工艺不仅沿袭了明代的錾刻、累丝、掐丝等传统技法，而且融入了阴线、阳线、镂空等多元化技法，丰富了金银装饰品的工艺表现[2](表 2, 图 4)。从工艺美学的角度审视，明代的金银佩饰工艺倾向于追求自然朴素的风格，着重于玲珑精巧的工艺展现以及佩饰的精致与艺术性。清代的佩饰工艺则更为注重繁复细致的工艺手法和浓重的纹饰设计，通过工艺的精细化和纹样的丰富化，表达了一种富贵荣华与吉祥如意的审美追求[24]。
| 图 4序号 | 名称 | 材质 | 工艺 |
| (a) | 点翠嵌珠宝五凤钿 | 银镀金，珍珠、珊瑚、绿松石、青金石、红蓝宝石 | 点翠、累丝 |
| (b) | 铜镀金累丝点翠嵌珠石凤钿 | 铜镀金、红蓝宝石等 | 点翠、累丝、镂空 |
| (c) | 金嵌珠石累丝香囊 | 黄金、珍珠、珊瑚 | 錾刻、浮雕 |
| (d) | 金镶九龙戏珠手镯 | 足金、珍珠 | 阴线表示毛发 |
| (e) | 田黄石卧虎 | 寿山石 | 累丝、镂空 |
| (f) | 象牙章 | 象牙 | 阳线表示边栏 |
DownLoad:
CSV
清代时期，佩饰的材质与工艺选择作为社会上层之间显示身份和地位的重要方式[25]。通过分析不同社会阶层和文化背景下的佩饰材质的选择与工艺设计，并进行精细化分类与标注，提高模型训练过程中对不同佩饰特征的辨识能力，确保即便在有限的训练数据集下，也能够为人工智能生成内容(AIGC)技术的深度学习提供充分的信息基础。
作为图像生成领域的新兴模型，SD在DDPM的框架下通过引入潜在扩散模型(Latent Diffusion Models, LDM)合成高分辨率图像。该模型的核心在于将图像生成的扩散过程映射于预训练自编码器的潜在空间(Latent Space)中，在减少了计算需求的同时保留图像的高分辨率。此外SD还引入了Transformer架构中的注意力机制，使模型能够处理更广泛的条件输入，提高了模型在多种任务上的能力表现[16]。
作为扩散模型的变体，其架构如图 5，可以被视作一个预定义的前向扩散过程(1)，逐步将噪声引入到数据中，然后通过一个学习的逆向生成过程(2)逐步从噪声数据恢复出原始数据，描述所对应的公式为(xt：新数据样本；x0：原始数据样本；βt：方差；μθ(xt, t)：预测后验均值)[13]：
|
q(xt∣xt−1)=N(xt;√1−βtxt−1,βtI) |
(1) |
|
pθ(xt−1∣xt)=N[xt−1;μθ(xt,t),∑θ(xt,t)] |
(2) |
如图 5，扩散模型的关键在于准确估测逆向过程，根据当前时刻噪声数据xt预测去噪后数据xt-1的分布。正向过程中引入的噪声与逆向过程预测噪声之间的损失值越小则训练效果越佳。
SD在扩散模型的基础上引用图像感知压缩(Perceptual Image Compression)，其中编码器E(1)将内容X映射到潜在空间进行潜在扩散(2)，之后通过交叉注意力层强化模型对条件的理解并映射到U-Net结构进行降噪处理，最后通过解码器(D)(3)实现在复杂条件下的高质量图像生成，LDM的训练函数表达为(4)。
|
Z=E(x) |
(1) |
|
LDM=Ex,∈∼N(0,1),t[‖∈∼∈θ(xt,t)‖22] |
(2) |
|
˜x=D(z) |
(3) |
|
LLDM=Eε(x),∈∼N(0,1),t[‖∈∼∈θ(zt,t)‖22] |
(4) |
Stable Diffusion的图像生成逻辑具有不确定性。为了提高模型在特定领域内的适应性和准确性，同时降低对大量计算资源的依赖，引入了低秩适配模型(Low-Rank Adaptation of Large Language Models，LoRA)作为一种高效的参数适配方法[31](图 6)。该方法仅利用部分(约0.08%)的预训练参数，通过训练一个BERT模型并将其适配到新的领域。
如图 7，LoRA的架构设计体现在其对模型中所有预训练参数的冻结，在Transformer的每个层级中插入一对可训练的低秩矩阵(分别记为WA和WB)，使得原始权重矩阵W0更新为W=W0+WA×WB。这对低秩矩阵的引入，通过小范围参数更新来调整每一层的权重，从而实现对原始模型的精细控制和快速适配。因此，对于给定的输入x，输出h的前向公式为：
|
h=W0x+WAWBx |
LoRA技术的引入，为Stable Diffusion等基于深度学习的图像生成模型提供了一种新的参数适配和优化路径(图 7)。这不仅显著减少了所需的训练数据量，提高模型在新领域中的应用性能和泛化能力，而且通过精细调整预训练模型的权重，LoRA技术有望在保持生成图像多样性和丰富性的同时，增强模型在特定任务和领域内的确定性和准确性。
针对明、清佩饰文物设计模型的训练，环境配置为CPU：16 vCPU Intel(R) Xeon(R) Platinum 8352V 2.10GHz、GPU：RTX 4090(24GB)，运行环境：linux，编程语言：python，底模：SD1.5。模型训练涉及到的文物图片来源于北京故宫博物院，佩饰的风格及材质涵盖表 1和表 2中的类型。
根据LoRA训练特点，结合佩饰纹样多样化和工艺复杂化的特点，为保证模型质量精度，首先对佩饰文物进行图像预处理，通过Stable Diffusion中Preprocess images将数据及中图片像素进行512×512标准化处理，并使用Deepbooru根据图片信息提取对应Tag，其中数据集图片背景较为单一并未进行物景分离。Tag作为模型学习图片的重要语意，仅依靠Deepbooru的自动提取难以达到足够的学习精度，因此人工介入是必不可少的。在修正过程中，为模型构建了以触发词、纹样、材质、工艺、其他特征五大类型架构，如对“九龙戏珠镯”进行五大类型的精确描述(图 8，表 3)，若为多种材质工艺结合类型，则根据所占主体比例进行权重调整，以达到模型对于明、清佩饰要素的深度学习及精确表达。
| 类型 | Tag |
| 触发词 | cultural artifact |
| 纹样 | dragon pattern |
| 材质 | pearl，pure gold |
| 工艺 | relief，engraving |
| 其他 |
still life, no humans, shadow, simple background, gradient background, high quality |
DownLoad:
CSV
LoRA训练参数决定了图像迭代和训练周期，核心参数主要分为迭代步数参数：Repeat、Epoch、Batch Size，以及周期质量参数：Unet Ir、Learning rate、Text_encoder_Ir、Network Dimension、Optimazer。迭代步数参数中，Repeat和Epoch分别作为训练集单张图片学习次数和整体循环次数，与模型质量成正比，但对于不同风格质量的训练集，学习循环次数过高会产生对Tag反馈降低和模型泛化能力减弱从而导致模型质量下降，因此，Repeat通常要根据Loss值来进行调整，避免出现不拟合或过拟合现象。Batch Size针对并行数量与图像收敛相关，较大的Batch Size收敛慢，需要更多的Epoch，反之则收敛快需要较少的Epoch。
周期质量参数中Unet Ir、Learning rate、Text_encode_Ir与学习率相关，学习率是模型质量的核心参数，其参数值的高低直接影响模型的拟合程度和迭代时长。学习率参数通常设置Unet Ir并覆盖Learning rate，而Text_encode_Ir设置为Unet Ir的1/10。Network Dimension(DIM)作为神经网络纬度，数值越高则模型精度越高，表达能力越强。Optimazer作为更新神经网络权重的方式，主要根据模型种类进行选择，本文以实物为主，故采用AdamW8bit。
针对清代时期佩饰的LoRA模型训练，采用了以下实验参数配置：Repeat: 20-100，Epoch: 20，Batch Size: 1，Unet Ir: 1e-4，Text_encoder_Ir: 1e-5，DIM: 128，Optimazer: AdamW8bit。基于以上实验参数进行明、清佩饰模型训练，并导入Stable Diffusion中进行x/y/z图表进行测试。
为了系统分析模型精度，在模型的训练过程中，采用了均方误差损失函数(MSE)来量化模型对样本的拟合精度。并根据Repeat、Epoch建立Loss Function数据可视化视图。如图 9采用控制变量法，对于不同Repeat值下，每轮迭代后Loss值的变化作进行数据分析。随着迭代步数的增加，相同循环次数下损失值相应减少，这是由于模型优化低秩矩阵WA和WB以减小真实值与预测值之间的差，进而提高模型精度。达到一定循环次数后，损失曲线呈现平稳趋势，表明当前参数及配置下从给定数据集中的学习能力达到上限，而损失曲线在收敛之后出现波动上升，这可能是过拟合现象的表现，即模型在训练集上过度拟合，失去了对新数据的泛化能力。因此，需要将模型倒入Stable Diffusion中进行图像扩散测试来确定模型的实际生成效果。
图 9表明，在Repeat值为20、80和100的条件下，模型的损失下降率较低，模型表现不佳。为了深入分析，本研究选择Repeat值为40与60的两组数据进行进一步的测试。同时，为避免所选取模型处于过拟合或欠拟合的情况，选取损失值下降率较为平缓的Epoch值的点位进行模型导出并进行后续Stable Diffusion的应用测试。
图 10通过设定x轴(STRENGTH)表示模型的权重，y轴(NUM)记录模型的Epoch数值，展示了四组模型在实际应用中的表现，其中Repeat=60组别表现较为优异。图中以蓝色和红色线条标定了每组模型的欠拟合、拟合和过拟合区域。通过可视化方法，直观体现模型拟合程度与Repeat及Epoch的正比例关系。此外，分析结果显示，随着Repeat的增加，过拟合部分的比例也相应增加，因此选择合适Repeat有效提高模型精度的同时避免过拟合现象。
实验结果表明，尽管损失值是评估模型训练精度和性能的一个重要指标，但它并不能完全决定模型的准确度。因此，在评价模型的有效性时，应综合考虑损失值的变化趋势、Repeat、Epoch以及各项参数的调整，以及模型在具体应用中的表现，从而更全面地理解和优化模型的训练和应用效果。
通过Stable Diffusion模型生成包含清代佩饰特征的内容，不仅有效降低了训练集图像素材需求量、迭代步数和训练时长，验证了模型在不同种类佩饰生成结果中的创新性和稳定性，还丰富了清代佩饰在现代化设计中的应用，推动了佩饰文化在数字化背景下的传承和创新。
清代佩饰生成模型，可以高效提取清代佩饰的元素符号，并且为佩饰文化创造了新的使用场景。该模型将包含清代佩饰元素(如植物纹、龙纹、凤纹等)以及镂空、点翠、红宝石、珍珠等工艺材质成功迁移至现代佩饰中(图 11)，不仅保留了传统文化的独特魅力，还使其在当代设计中焕发新生。清代佩饰的生成模型使传统元素得到了有效的数字化复原和创新性应用，模型的实际应用效果表明，无论是纹样的细节还是工艺，都能在生成的图像中得到良好的保留和再现。这不仅增强了传统文化的传承效果，也为现代文创产品设计提供了丰富的素材和灵感来源。
应用人工智能生成内容(AIGC)技术有效实现了清代佩饰的数字化复原和现代化设计，不仅为清代佩饰的传承提供了新的路径，还增强了文化传承的实际效果，同时为文化创意产业提供了丰富的设计素材和灵感来源。在模型优化过程中，通过多次迭代和参数调整，确保了生成结果的精确性和艺术性。该模型能够在多种复杂条件下生成高质量的佩饰图像，充分展现清代佩饰的纹样特征和工艺美感，并在实际应用测试中进一步验证了模型在文创产品设计中的有效性和实用性。后续研究将探索更多非遗文化元素的数字化应用，利用AIGC技术挖掘并弘扬中华民族的文化精髓，赋予传统文化以新的生命力，为中华民族在世界舞台上呈现的新形象、新设计和新思维提供创新和多样化的选项。
| [1] |
陈俊. 清代点翠首饰艺术在初中美术教学中的应用研究[D]. 江西: 东华理工大学, 2023.
Chen J. Research on the application of Qing Dynasty Dian Cui jewelry art in junior high school art teaching[D]. Jiangxi: East China University of Technology, 2023. (in Chinese)
|
| [2] |
黄昊东. 堆盈的时尚: 明代嘉靖、万历时期珠宝风格分析[J]. 宝石和宝石学杂志(中英文), 2023, 25(1): 89-100.
Huang H D. Fashion with abundant gems and pearls: Analysis of the style of jewelry in Jiajing and Wanli Periods of Ming Dynasty[J]. Journal of Gems & Gemmology, 2023, 25(1): 89-100. (in Chinese)
|
| [3] |
肖堯. 清代女子服饰设计与首饰艺术的融合[J]. 棉纺织技术, 2023, 51(7): 93.
Xiao Y. The integration of women's clothing design and jewelry art in the Qing Dynasty[J]. Cotton Textile Technology, 2023, 51, (7): 93. (in Chinese)
|
| [4] |
Yang Z, Bai H, Luo Z, et al. PaCaNet: A study on CycleGAN with transfer learning for diversifying fused Chinese painting and calligraphy[J]. ArXiv, 2023.
|
| [5] |
于鹏, 张毅. 从特征辨识到图像生成: 基于AIGC范式的苗族服饰设计[J]. 丝绸, 2024, 61(3): 1-10.
Yu P, Zhang Y. From feature recognition to image generation: Miao ethnic costume design based on the AIGC paradigm[J]. Journal of Silk, 2024, 61(3): 1-10. (in Chinese)
|
| [6] |
侯云鹏, 彭涵, 刘育晖. 基于LoRA模型的非遗数字化传承: 以楚漆器为例[J]. 设计艺术研究, 2024, 14(1): 14-18.
Hou Y P, Peng H, Liu Y H. Digital inheritance of intangible cultural heritage based on the LoRA model: A case study of Chu Lacquerware[J]. Design Research, 2024, 14(1): 14-18. (in Chinese)
|
| [7] |
Wu J, Gan W, Chen Z, et al. AI-generated content (AIGC): A survey[J]. ArXiv, 2023.
|
| [8] |
中国信息通信研究院. 人工智能生成内容(AIGC)白皮书[R]. 2022.
China Academy of Information and Communications Technology. Artificial intelligence generated content(AIGC)white paper[R]. 2022. (in Chinese)
|
| [9] |
LeCun Y, Boser B, Denker J S, et al. Back propagation applied to handwritten zip code recognition[J]. Neural Computation, 1989, 1(4): 541-551. doi: 10.1162/neco.1989.1.4.541
|
| [10] |
Elman J L. Finding structure in time[J]. Cognitive Science, 1990, 14(2): 179-211. doi: 10.1207/s15516709cog1402_1
|
| [11] |
Goodfellow I, Pouget-Abadie J, Mirza M, et al. Generative adversarial nets[J]. Advances in Neural Information Processing Systems, 2014, 27: 2 672-2 680.
|
| [12] |
Vaswani A, Shazeer N, Parmar N, et al. Attention is all you need[J]. Advances in Neural Information Processing Systems, 2017, 30: 1-11.
|
| [13] |
Ho J, Jain A, Abbeel P. Denoising diffusion probabilistic models[J]. Advances in Neural Information Processing Systems, 2020, 33: 6 840-6 851.
|
| [14] |
Radford A, Narasimhan K, Salimans T, et al. Improving language understanding by generative pre-training[EB/OL]. [2018-06-11]. OpenAI. https://cdn.openai.com/research-covers/language-unsupervised/language_understanding_paper.pdf.
|
| [15] |
Ramesh A, Pavlov M, Goh G, et al. Zero-shot text-to-image generation[J], 2021: 8 821-8 831.
|
| [16] |
Rombach R, Blattmann A, Lorenz D, et al. High-resolution image synthesis with latent diffusion models[C]//Proceedings of the IEEE/CVF conference on computer vision and pattern recognition. 2022: 10 684-10 695.
|
| [17] |
Long X, Guo Y C, Lin C, et al. Wonder3D: Single image to 3D using cross-domain diffusion[J]. arXiv, 2023.
|
| [18] |
Krizhevsky A, Sutskever I, Hinton G E. Imagenet classification with deep convolutional neural networks[J]. Advances in Neural Information Processing Systems, 2017, 60(6): 84-90. .
|
| [19] |
Kingma D P, Welling M. Auto-encoding variational bayes[J]. ArXiv, 2013.
|
| [20] |
Sohl-Dickstein J, Weiss E A, Maheswaranathan N, et al. Deep unsupervised learning using nonequilibrium thermodynamics[J]. Interation Conference on Machine Learning, 2015, 32: 2 256-2 265.
|
| [21] |
Devlin J, Chang M W, Lee K, et al. Bert: Pre-training of deep bidirectional transformers for language understanding[J]. ArXiv, 2018.
|
| [22] |
Dosovitskiy A. An image is worth 16×16 words: Transformers for image recognition at scale[J]. ArXiv, 2020.
|
| [23] |
Han K, Xiao A, Wu E, et al. Transformer in transformer[J]. Advances in Neural Information Processing Systems, 2021, 34: 15 908-15 919.
|
| [24] |
田自秉. 中国纹样史[M]. 北京: 高等教育出版社, 2003.
Tian Z B. History of Chinese decorative designs[M]. Beijing: Higher Education Press, 2003. (in Chinese)
|
| [25] |
王璐. 清朝时期首饰纹样与形式的特征研究[D]. 上海: 华东师范大学, 2011.
Wang L. The reserach of pattern and form in Qing Dynasty jewelry design[D]. Shanghai: East China Normal University, 2011. (in Chinese)
|
| [26] |
李璨. 清代宫廷首饰色彩分析及应用[D]. 北京: 中国地质大学, 2021.
Li C. Color analysis and application of court jewelry in Qing Dynasty[D]. Beijing: China University of Geosciences, 2021. (in Chinese)
|
| [27] |
陈征, 郭守国. 珠宝首饰设计与鉴赏[M]. 上海: 学林出版社, 2008.
Chen Z, Guo S G. Jewelry design and appreciation[M]. Shanghai: Xue Lin Press, 2008. (in Chinese)
|
| [28] |
郑静. 明代首饰繁荣背后的社会因素——以江阴出土的明代首饰为例[J]. 创意与设计, 2014(5): 39-41.
Zheng J. Social factor of jewelry prosperity of Ming Dynasty——Analysis of jewelry of Ming Dynasty excavated in Jiangyin[J]. Heritage of Design Culture, 2014(5): 39-41. (in Chinese)
|
| [29] |
朱悦. 南京市博物馆藏细金首饰研究[D]. 北京: 中国地质大学, 2021.
Zhu Y. Study on fine gold jewelry in Nanjing Museum[D]. Beijing: . China University of Geosciences, 2021. (in Chinese)
|
| [30] |
Yu Y, Yang C H H, Kolehmainen J, et al. Low-rank adaptation of large language model rescoring for parameter-efficient speech recognition[C]//2023 IEEE Automatic Speech Recognition and Understanding Workshop (ASRU). IEEE, 2023: 1-8.
|
Figures(11) / Tables(3)
Supported by Beijing Renhe Information Technology Co., Ltd. 
| 纹样类型 | 纹样题材 | 题材特征 | 寓意 |
| 动物纹样 | 蝴蝶纹 | 蝴蝶纹样变化多样，从图案化团蝶纹到写实飞蝶纹，精致而生动 | 美好、和谐、爱情 |
| 鱼纹 | 鱼形纹样形态生动, 表现形式自由流畅 | 开枝散叶、多子多福 | |
| 蝙蝠纹 | 因“蝠”与“福”谐音，蝙蝠纹常用作吉祥图案，蝙蝠的形式变化丰富，包括倒挂蝠、双蝠等 | 福气、幸福 | |
| 鹤纹 | 鹤纹在首饰中以婀娜的姿态展示，常与寿字、葫芦等吉祥物出现 | 常与道教思想相关，长命百岁，天赋吉祥 | |
| 植物纹样 | 牡丹纹 | 牡丹纹表现形式多样，如适合式、对称式、均衡式，在金银首饰中，牡丹的花瓣、叶脉与花蕊等细节表现精细 | 富贵、繁荣昌盛 |
| 莲花纹 | 莲花纹表现形式多样，如单线双线、宽瓣、宝装等 | 纯洁、生生不息 | |
| 葫芦 | 葫芦与“福禄”谐音，葫芦纹常与“寿”字组合出现 | 福禄、健康 | |
| 宗教纹样 | 佛教 | 描述佛教器物或佛陀形象，例如观音、佛，八宝等题材，具有较强的宗教色彩 | 佛教信仰 |
| 道教 | 描述道教中的神仙或仙境，如八仙过海，群仙等题材，体现道教文化的深厚底蕴 | 道教信仰 | |
| 图腾纹样 | 龙纹 | 龙纹高度精细化，以“三停九似”为标准，每个部分都具备完整结构 | 尊贵、皇权 |
| 凤纹 | 凤纹装饰华丽而细腻，常与牡丹花卉结合，使用于高级的服饰和首饰，如锢以铁丝和纸板为架，表层点翠，口衔珍珠宝石 | 和谐、尊贵 | |
| 夔纹 | 夔纹在清代中期略有简化，多与龙纹组合，反映了清代对骑射文化的重视以及对神话传统的继承与发展 | 权利、财富 | |
| 蟠璃纹 | 蟠螭纹有的作二方连续排列，有的作四方连续纹样，其复杂排列和设计反映了当时的审美和技艺水平 | 吉祥、美好 |
DownLoad:
CSV
| 类型 | Tag |
| 触发词 | cultural artifact |
| 纹样 | dragon pattern |
| 材质 | pearl，pure gold |
| 工艺 | relief，engraving |
| 其他 |
still life, no humans, shadow, simple background, gradient background, high quality |
DownLoad:
CSV
