蜡染产品数智设计技术研究热点与发展趋势

摘要： 蜡染作为国家级非物质文化遗产，因其独特的艺术性和审美价值在产品设计领域受到广泛关注和应用。随着科技的快速发展，设计生成方式不断演变，数智技术在设计中的应用愈发普及。然而，当前关于蜡染产品数智设计的研究进展和未来发展趋势尚未有全面、系统的梳理。文章以文献计量分析方法为知识基础，借助VOSviewer软件对国内外相关文献进行了系统回顾及深入分析。同时，对蜡染产品数智设计进行了内涵解读，主要从文化符号提取与语义表征、基于规则的设计生成与推理、蜡染纹理与布料染色特征模拟、蜡染图案风格迁移4个研究维度开展探讨，并聚焦于其中关键技术的发展现状与趋势。通过研究旨在为蜡染产品数智设计领域建立关键技术体系，推动传统蜡染工艺的现代化转型和创新发展。

关键词： 蜡染;传统手工艺;数智设计;VOSviewer;文献计量

中图分类号： TS101.1 文献标志码： A

蜡染是具有深厚历史与文化底蕴的国家级非物质文化遗产手工艺，因其造型独特、色彩雅致等特点，从古至今都备受青睐。但是传统蜡染工艺在制作过程中存在诸多限制，如制作周期长、效率低、设计创新难度大等。随着蜡染工艺进一步拓展，逐渐走上数字化、产业化的发展道路，数智技术所发挥的作用逐渐凸显。进入新时代，大数据与人工智能等技术的迅猛发展为非遗产品的设计创新增添了新的发展动力。在此背景下，产品设计师们开始积极探索如何借助数智设计技术，提升蜡染产品的生产效率与质量;在保持传统蜡染韵味的同时，使产品更具创新性和个性化，进而实现传统与现代的融合。

尽管数智技术为蜡染产品设计带来了巨大的机会和可能，但学界错综复杂的研究成果难以给业界提供有力的理论支撑。目前关于蜡染类的综述性研究文章较少，大部分仅针对特定的蜡染类别展开，且主要从文化产业发展、历史传承与保护等角度展开相关研究，对蜡染产品设计中数智技术的研究热点和发展趋势缺乏全面、系统的梳理。本文以文献计量分析方法为知识基础，对蜡染产品数智设计领域的国内外相关文献进行梳理，主要从蜡染文化符号提取与语义表征、基于规则的设计生成与推理、蜡染纹理与布料染色特征模拟、蜡染图案风格迁移4个研究维度展开探讨，并梳理其关键技术发展脉络。本研究旨在为蜡染产品数智设计领域的持续创新和发展提供理论依据和技术支持，引发更多关于现代数智技术与非物质文化遗产相结合的研究兴趣，提供有益的启示和借鉴，共同创新传统文化的保护和传承之道。

1 蜡染产品数智设计领域研究热点与趋势分析

蜡染是中国自古以来世代薪火相传的传统印染工艺，其基本原理是利用“遮盖”或“摺迭”的方法，使织物不易上染，产生“空白”，从而形成花纹［1］。作为国家级非物质文化遗产手工艺，蜡染因其独特的艺术性与审美性得到广泛的研究与应用，设计师将蜡染纹样提取并独立出来作为产品设计的元素。数智设计是数字时代下一种新的设计形式，它超越了单纯的数字设计或者计算设计的概念，是融合了非人智慧和人的智慧的一种综合创新能力，是多元的双向思维［2］。“数”（Digital technology），既指数字技术，又包含了计算机强大的智能，如大数据的存储和复杂、快速计算等。“智”（Intelligence）即人的智慧，包括了感知、思想、自我意识等人类所特有的思维，以及人类在改造世界过程中的方法、目的和策略。两种智慧相互交融，非人智慧因人的智慧而产生，并反作用于人的智慧，拓展了人的思维边界;人的智慧又因非人智慧得以开发拓展，赋予非人智慧更强的动能。将数智设计技术应用于蜡染产品设计不仅提高了设计的效率和准确性，还拓宽了设计的创新边界，可为蜡染产品的现代化和个性化发展提供有力支持。

1.1 文献数据搜集方法

研究非物质文化遗产、蜡染和数智设计间关系的论文在国内外各类期刊、会议论文和书籍上广泛发表。为科学有效地搜集蜡染产品数智设计领域的相关文献，本文选取中英文数据库作为文献计量分析的统计来源，检索时间至2023年12月18日止。其中，中国知网（CNKI）数据库文献来源类别选择“核心期刊”“CSSCI”“EI”“学位论文”，初步得到293篇中文文献;Web of Science（WOS）核心合集数据库中选择文献类型为“Article”和“Review”，初步得到275篇英文文献。为保证论文质量，根据每篇论文的题目、摘要、关键词及核心观点进行逐篇筛选，剔除序言、书评、新闻等非学术类信息和与蜡染产品数智设计无关的论文，从而减少无效因子数量，提高研究数据准确性，聚焦研究重点。最终得到220篇中文有效文献和208篇英文有效文献。使用Tranfield［3］的系统审查方法进行文献梳理，检索中英文关键词，并以“OR”这一连词将关键词进行合并检索，如表1和表2所示。

1.2 关键词演进趋势与共现聚类

利用VOSviewer做蜡染产品数智设计技术关键词演进图可以有效探究该领域的演进脉络、热点前沿及未来发展趋势，结果如图1所示。从中文文献的关键词演进趋势来看，从2000—2010年，研究热点主要是对蜡染文化语义内涵的传承与发展，在对蜡染纹样图案等深度挖掘的基础上进行衍生设计与创新设计;从2010年开始，研究热点逐渐向形状文法、感性工学等领域转移;2018年以后，随着人工智能等技术的迅速崛起，蜡染产品数智设计的研究也关注到神经风格迁移、卷积神经网络等热点领域。国外的研究起步较早，对比英文文献的关键词演进趋势，也可以发现研究的热点从较早时期的“Shape grammar（形状文法）”“Pattern classification（纹样分类）”逐渐转变到最近几年的“Generative adversarial network（生成对抗网络）”“Deep learning（深度学习）”及“Style transfer（风格迁移）”等。

关键词是论文主体内容与观点的凝练，通过对高频共现关键词聚类进行分析，可以提炼该领域内的研究热点，聚类结果如图2所示。根据聚类标签与蜡染数智设计领域内的结构特点，将中文文献划分为4个主要聚类，分别为#1蜡染文化符号、#2蜡染形状文法、#3蜡染纹理仿真、#4蜡染风格迁移;将英文文献划分为5个主要聚类，分别为#1 Batik culture（蜡染文化）、#2 Batik shape grammar（蜡染形状文法）、#3 Batik image（蜡染图像）、#4 Batik patterns classification（蜡染图样识别）、#5 Batik style transfer（蜡染风格迁移）。对比中英文关键词的聚类标签来看，可以发现国内外关于蜡染数智设计技术的研究有一些相同的关注点，集中体现在：1） 蜡染文化符号提取;2） 蜡染图案设计生成与推理;3） 蜡染纹理仿真;4） 蜡染图像风格迁移。

结合上述的关键词演进趋势与共现聚类分析结果，本文从蜡染数智设计技术的文化符号提取与语义表征、基于规则的设计生成与推理、蜡染纹理与布料染色特征模拟、蜡染图案风格迁移4个维度对蜡染产品数智设计领域的关键技术进行全面梳理，研究框架如图3所示。希望能够为设计研究人员、数智设计工具开发者及计算机学者勾勒出蜡染产品数智设计研究的方式和发展全貌，对数智技术赋能蜡染产品开发实践有所帮助。

2 蜡染文化符号提取与语义表征

蜡染文化符号提取与表达是蜡染产品数智设计的开端。近年来，该领域的研究主要聚焦于蜡染图案识别与符号矢量化、语义挖掘、设计知识表征等关键技术。

2.1 图像识别与符号矢量化

传统蜡染符号的提取，其图像主要来源于蜡染服饰、蜡染床上用品、蜡染原画等。由于蜡染图案具有多尺度变化、纹理背景复杂等特征，因此，图案识别需要解决尺度变化影响纹理

外观、复杂图案分类、图像识别与检索等共性问题。针对尺度变化影响纹理外观问题，Liu等［4-5］建立了基于优势纹理模式的尺度缩减方案，提出了一种新的GANet网络，在网络训练过程中使用遗传算法来改变隐藏层中的过滤器，并通过FVCNN特征编码器进行全局纹理表示。针对复杂图案分类问题，Liu［6］从形状、纹饰类型和铭文三个特征进行图像识别和分类，研究分析了模型轮廓线与空间曲线的匹配方法。针对图像识别与检索问题，邹悦等［7］提出一种基于多任务学习的跨模态检索方法，采用BERT预训练模型析出文本特征，通过网络结构的改进对图片特征进行提取，并定义两个损失函数实现多个预测任务的图案检索。

蜡染符号矢量化是将光栅图像转变为矢量图，使用数学定义几何图元对光栅特征进行表达的过程。然而，针对蜡染大规模矢量化提取、矢量图元表达等任务，需要更具针对性和批量化提取方法与技术。针对大规模矢量化方法研究，方婷玉等［8］分析和研究制定了数字化技术标准及矢量化呈现方式，通过Matlab实现批量自动矢量化过程;针对矢量图元表示方法，Favreau等［9-14］使用贝塞尔曲线及附着在曲线上的颜色和模糊信息表示图像内容，利用多尺度的Canny边缘检测从彩色图中得到图像轮廓，对具有深度信息的RGB-D图像利用其深度信息辅助轮廓提取，再根据轮廓信息从彩色图中提取颜色信息。

2.2 语义挖掘

蜡染文化内涵相关的研究可以基于语义挖掘技术开展。蜡染语义挖掘是将蜡染文化特征按照一定的规则、模型进行聚类、分析、提炼、标注的过程，为语义形式化与量化表征、设计灵感激发、设计要素映射等提供基础源数据。感性工学是一种将用户对产品的感性因素量化为理性因素的理论方法［15］，通过构建感性意象空间与设计要素空间之间的关联模型［16］，实现感性语义到产品设计的可控性转化［17］，其关键技术包括感性意象聚类、情感计算［18］、认知计算等。

针对视觉感性意象表达，贾耀程等［19］、施实芳等［20］通过眼动跟踪、脑电分析等技术获取用户偏好数据，建立了用户数据与设计要素的回归模型从而指导设计;针对触觉感知意象建模，Choi等［21］提出了一种系统的方法来研究表面粗糙度的触觉感觉，根据多个准则函数估计出最优的形容词聚类数，从而得到具有代表性的最终方案簇的平均偏好。针对感性意象与设计要素的关联建模，主要方法包括复杂网络［22］、层次结构表示法［23］、KCQ-KE模型［24-25］、数量化I类理论［26-27］等。

2.3 设计知识表征

为了将大量复杂、无序的设计知识转换成设计要素，需要建立设计知识的形式化与量化表达模型［28］。蜡染产品设计知识包含蜡染文化语义、蜡染图像、蜡染纹样符号及用户知识等。近年来，设计知识表征方法研究主要聚焦于基因表征、本体表征等。

在设计基因表征研究方面，罗仕鉴等［29-30］针对产品族设计首次提出基于本体的DNA表征方法，构建了产品族本体知识表示模型和产品族设计DNA遗传与变异模型;苟秉宸等［31-33］通过基因表征方法，提取了形态基因、色彩基因、纹样基因和语义基因;针对文化基因可量化、可计算、可分析特点，赵海英［34］构建了文化基因语义标签体系和量化空间;刘宗明等［35］从精神文化、社会文化、物质文化三个维度构建了文化基因谱系图。

在本体表征研究方面，领域本体的构建是语义网和图像检索领域的研究热点，可以实现领域实体概念及相互关系、领域活动及该领域所具有的特性和规律的形式化描述［36-37］。蜡染领域本体表征具有异构性、模糊性特点，Liu等［38］提出了一种通用模糊知识的本体表示方法，构建了一种基于概念相似性计算和支持向量机的本体映射算法。针对用户情感本体表征，Park等［39］提出一种情感数字化表达框架，帮助用户选择或设计适当的情感本体来支持情感分析，并增加用户对情感、上下文和行为信息作用的理解。

3 基于规则的设计生成与推理

基于规则的设计生成与推理，是将设计目标、构成规律等编码成规则或约束条件，建立设计过程驱动数学模型，并通过算法来求解并优化生成解决方案的过程。在蜡染文化符号提取与语义表征基础上，如何通过基于规则的设计生成与推理，解决蜡染产品的规模化、个性化高效设计是迈入蜡染数智设计的关键。当前，在该领域研究热点主要聚焦于形状文法、分形几何、基于进化学习的生成设计等技术。

3.1 形状文法

形状文法是一种基于规则，以形状为基本要素，用语法结构分析并产生新的形状设计推理方法。形状文法在建筑［40-41］、艺术、设计等领域得到了广泛应用，并形成了空间形状文法、分层形状文法、参数化形状文法［42］等一系列派生方法研究。在空间形状文法研究方面，Muslimin等［43-44］从形状语法和空间语法理论出发，提出了一种利用形状和图计算同时合成功能关系和空间构型的方法。在分层形状文法研究方面，Ruiz-Montiel等［45-46］为了降低形状生成的计算成本，引入了一种形状语法的分层方案，并在建筑物建模、游戏等领域应用。在参数化形状文法研究方面，Hou等［47］对分形传统基序采用形状语法，构建了传统基序的层次结构，完成了传统基序语义特征的参数化编码，提供了传统基序知识的语义数据表示方法。

在蜡染形状文法应用研究中，主要涉及二维图形设计与三维造型设计两类形状文法。李敏等［48］采用Grasshopper参数化工具重构纹样，并将形状文法推演规则转译为参数化语法表达的形状文法推演规则，运用系统的文法规则控制感性随意的纹样参数衍生流程，实现基于形状文法导向的参数化纹样设计方法。

3.2 分形几何

分形几何［49］作为一项探究迭代过程中自相似性形态生成的研究领域，已经广泛渗透到自然科学、艺术及设计等多个领域，并催生了如二维IFS构造分形［50］、动态分形几何、多尺度分形几何、参数化分形几何［49］及分形艺术等诸多研究方向。二维IFS构造分形的研究主要集中在现代数字艺术与设计领域，Yuan等［50］提出的IFS构造分形应用为传统蜡染图案创造提供了一种创新方法;针对多尺度分形几何，Haidekker等［51］通过引进多尺度分析策略，旨在更加深刻地解析分形结构的层次复杂性，该方法在医学图像处理和材料科学研究等领域已展现出显著的应用价值;针对参数化分形几何，Barnsley等［49］通过迭代函数系统提出了一种灵活的分形生成新途径;在动态分形领域，由Mandelbrot等［52］引领的研究，基于分形理念阐述了分形结构在自然界的广泛分布，并进一步构建了描述复杂自然现象的分形理论模型。

3.3 基于进化学习的生成设计

基于进化学习的生成设计是指计算机运用遗传算法、神经网络等优化算法来求解并得到最优设计方案的过程。目前，对于计算机辅助设计与生成的研究方法主要包括群智能算法、遗传算法和神经网络等。针对于群智能算法辅助设计与生成，Ding等［53］提出一种基于改进形状语法和粒子群算法相结合的民族图案再利用方法，实现了民族图案的快速设计和重用设计。针对于遗传算法辅助设计与生成，赵海英［34］提出了一种改进的卷草纹样生成算法，计算机通过进化计算能够自动生成复杂的卷草纹样。针对于神经网络辅助设计与生成，冯青等［54］基于BP神经网络建立起一个反映用户感性评价的系统，并根据用户情感进行优化迭代获得最优配色方案，解决了复杂产品的配色问题。

在基于进化学习的生成设计应用研究中，蜡染产品较多涉及二维图案的快速生成和设计优化。朱苗苗等［55］提出了一种基于动态模糊区间适应值交互式遗传算法的图案创新方法，通过抽取具有表征风格的特征进行交互式进化计算，解决了复杂民族图案的设计优化问题;丁宁等［56］运用BP神经网络和遗传算法对蜡染图形的框架进行重构，结合拓扑构型对图形元素进行变换填充，生成不同元素和结构的图形组合，通过方案权值总和比较表明BP神经网络在美观性和组合合理性方面更适合于图形重构设计。

4 蜡染纹理与布料染色特征模拟

少数民族蜡染的特点，主要体现在蜡染纹理（冰纹）及布料染色特征上。借助计算机技术，模拟传统蜡染工艺中蜡的涂抹、染料的渗透及最终形成的纹理效果，可以极大提升蜡染纹理生成的质量与速度。

4.1 冰纹生成

冰纹是通过一种特殊的蜡染技法所形成的纹路。在染制过程中，蜡在织物上不规则地分布，蜡层破裂，染液随着裂缝浸透在布上，形成了类似冰凌结晶的天然纹理效果，因此得名为冰纹。冰纹的纹理效果主要体现在粗细、曲度、交叉、形态等，这赋予了蜡染作品独特的艺术魅力。蜡染冰纹生成就是通过计算机模拟的方法，以图形的形式产生冰纹的效果，目前国内外的学者已经做了大量的相关研究。

由于蜡染冰纹属于裂纹的范畴，因此其他物体裂纹的研究对冰纹生成也有一定的借鉴意义。早期的研究主要基于物理建模等［57］算法，进行各类裂纹的静态和动态效果仿真。该方法优点在于真实性高、可控性强、可预测性强，但是也存在计算复杂度高、精确数据获取难度高等缺点。基于非真实感绘制（Non-Photorealistic Rendering，NPR）的仿真方法生成仅部分具有或者不具有真实感的视觉效果，相比较而言，更加关注模拟作品的抽象特征［58］。Wyvil等［59］首次提出了基于距离变换的冰纹生成方法，其主要思想是模拟实际冰纹产生的张力作用，该方法能够较好模拟冰纹的状态，但实时性不强;Tang等［60］提出Voronoi图的冰纹生成算法，生长的思路与Wyvil等基本一致，通过控制算法中的参数，可以生成具有真实感的蜡印纹样，以及裂纹的分布和扩散方向;在此基础上，喻扬涛等［61］提出FIT算法，使冰纹生成具有一定的实时性，同时提出复合距离参数，使用形态修正方法改善冰纹形态。

4.2 布料染色特征模拟

蜡染常用棉线纺布，由于纺线的交叉、重叠，也产生了与生俱来的蜡染布料染色特征，主要包括晕染、斑驳、边缘梯度变化和矩阵织纹。晕染是指在蜡层厚度、浓度等因素影响下，染料直接渗过蜡层的现象;斑驳现象是指蜡染图像的边缘较之其他部分的颜色更浓且不光滑，通常呈现不规则的齿状排列;矩形织纹是指蜡染的布料中存在矩形排列的特征;边缘梯度变化是指在染色区域与非染色区域的边缘处，呈现梯度渐变的颜色变化。

布料模拟因其较高的研究价值，已经在服装CAD/CAM、三维动画、虚拟试衣、模型重建等领域取得了广泛的应用。相较而言，蜡染模拟的研究主要聚焦在扎染、蜡染等的仿真，针对蜡染布料染色模拟的研究较少。Morimoto等［62］提出了一种设计染色图案的布料建模方法，对日本扎染织纹进行模拟，实现了在折叠的三维布料几何形状中模拟染料传递的效果，但效果过于规整缺乏变化;喻扬涛等［63］以蜡染中常用的平织纹布料为对象，建立三层织物染制结构，遵循菲克第二定律，采用扩散的方法对蜡染图案及冰纹布料染色的视觉特征进行模拟，效果更接近于真实的蜡染图像。此外，喻扬涛等［64］将二维Perlin噪声应用于布料特征染色中，实现染料浓度在连续性基础上的随机变化，有效模拟了布料染色中晕染、斑驳等多种效果，且生成的染色特征具有随机性、不可复制性。

5 蜡染图案风格迁移

图案风格迁移是指在保持原始语义内容的同时，以目标风格参考为引导，运用图像处理技术使原始图呈现目标风格特征。传统方法主要包括NPR及纹理迁移等，这些方法虽能有效地描绘特定的风格，但普遍存在模型泛化能力差、无法提取高层抽象特征、编译速度较慢等缺点。在此背景下，基于神经网络的风格迁移技术（Neural Style Transfer，NST）得到了广泛的研究和应用，风格迁移的质量较以往传统方法有了实质性的突破。通过蜡染图案的风格迁移，不仅可以重现传统蜡染的艺术效果，还可以根据需求进行创新设计，为蜡染产品设计和生产提供更多可能性。

5.1 卷积神经网络风格迁移

早期研究者使用卷积神经网络（Convolutional Neural Network，CNN）来进行风格迁移，Gatys等［65］率先提出一种基于视觉几何群（Visual Geometry Group，VGG）网络的神经风格迁移模型，使用多个神经网络对图像的内容和风格进行分离与重组，提升了图像特征的提取能力，为艺术图像的创作提供新的算法。Gatys等［65］的开创性工作引起了学术界和工业界的广泛关注，后续学术界进行了大量的研究来改进或扩展该NST算法。

在以此算法为核心的基础上，为了解决新的内容图需重新优化、传输运行时间过长等问题，Johnson等［66］使用预训练卷积神经网络提取的高层特征作为感知损失函数来训练网络，结合了基于前馈网络的图像转换任务的高效性和基于优化方法的高质量图像生成能力，为图像转换任务带来了新的可能性和优势。为了解决纹理尺度不匹配问题等问题，Wang等［67］提出了一种快速风格迁移的分层训练方案（多模式迁移），以在多个尺度上学习艺术风格线索，包括颜色、粗糙的纹理结构和精细、精致的笔触，并在高分辨率图像上生成更具视觉吸引力的风格化结果。国外学者主要以油画［65］、Logo［68］等作为对象展开相关研究，国内的学者则结合水墨画［69］、刺绣［70-71］、书法［72］等中国传统文化，开展了大量的研究应用。在蜡染图案的研究中，针对现有方法存在的单色、晕染效果不明显等问题，黎智等［73］提出了基于卷积神经网络的蜡染多染色模拟方法，利用Labelme软件进行语义分割并结合PhotoWCT算法进行染色平滑，较好地模拟了真实蜡染图像的晕染效果;针对生成蜡染图案无序性的问题，侯宇康等［74］使用形状文法生成大量构型框架图案，并结合风格迁移网络快速提取图案中的底层特征，取得了较好的图案设计效果。

尽管如此，使用CNN提取和维护输入蜡染图案的全局信息依然存在困难。由于卷积运算的感受野有限，如果没有足够的层数，CNN只能聚焦于局部感受野，无法捕捉全局依赖关系。然而，网络深度的增加会导致特征分辨率和精细细节的损失，缺少细节会在内容结构保存和样式显示方面破坏风格化迁移的结果。

5.2 生成对抗网络风格迁移

生成对抗网络（Generative Adversarial Networks，GAN）模型作为早期生成模型的标准网络架构，其生成能力相较于CNN等普适性模型有了大幅提升，因而被广泛应用在神经风格迁移领域。GAN首先由Goodfellow等提出，该模型通过对抗过程同时训练生成、判别两个网络，这两个网络在互相博弈的过程中优化彼此［75］。随着判别网络的辨伪能力不断增强，生成网络产生的数据将更接近真实数据。为了解决模型训练需要大量成对图像数据的问题，Zhu等［76］提出了一种无监督循环一致生成对抗网络（Cycle-Consistent Adversarial Networks，CycleGAN）图像转换模型，打破了成对训练数据在监督学习中的局限性，在多种视觉和图形任务中（如风格迁移、对象变换、季节转换和照片增强等）得到了广泛的应用，但是该模型生成多样的结果需要庞大的网络参数及大量的计算资源。而Park等［77］提出将对比学习应用到图像风格迁移，实现了一种轻量级的图像风格转换模型。

民族图案作为民族文化中最富于艺术特征的部分之一，却长期存在图像资料质量较差、难以保存、缺乏创新等一系列问题，而使用GAN的方法能对民族图案进行生成，或者能将某种民族图案的风格迁移到服饰、首饰上，对蜡染图案风格迁移有借鉴意义。何文泽［78］使用ESRGAN对生成的图像进行超分辨率重建，生成人眼难以分辨的、高分辨率的具有蒙古族风格的图案;周强等［79］使用门控卷积的生成对抗网络（GC-GAN），提高了不规则大面积图像区域的高分辨率修复效果，实现了对汉代木质彩绘漆箱纹饰图像的高质量修复。尽管GAN方法在图案风格迁移方面已经取得了显著的成果，但由于网络架构设计复杂、目标函数设计困难及模式坍缩等问题，生成图像的质量往往不能满足实际应用需求。

5.3 其他方法

Transformer作为一种基于注意力机制的深度神经网络，最早由Vaswani等［80］提出，并由Dosovitskiy等［81］引入到计算机视觉（Computer Vision，CV）领域，并命名为视觉Transformer（Vision Transformer，ViT）。ViT及其变体模型可以在维持全局风格一致的同时，捕获精确的内容表示，避免遗漏细节，在多个CV领域的任务上取得了持平甚至超过CNN的效果。在此基础上，Deng等［82］提出了第一个基于ViT模型的风格迁移模型StyTr2，该模型基于Transformer的图像风格转换方法，将输入图像的长期依赖关系考虑到图像样式传输中，为具有挑战性的风格迁移问题提供了新的见解。有研究指出，与CNN相比ViT具有更高的形状偏差［83］，表现出更加优异的性能，并在很大程度上可以与人类视觉相媲美［84］。

随着大规模图像-文本数据库的出现，扩散模型（Diffusion Models，DM）［85］所显示出强大的视觉生成能力，吸引了更多的研究人员研究如何利用DM模型来改善风格迁移的效果。部分研究已经基于DM模型对图像和视频的风格迁移进行了探索。为了摆脱风格编辑中文本提示的限制，Ruta等［86］提出了DIFF-NST的方法，在保持对象结构的同时，实现了风格对内容进行形变，使得风格转移更具艺术性和表现力。为了赋予风格迁移模型自定义样式化结果的能力，Wang等［87］提出了一种名为HiCAST的高度定制的任意风格转换方法。该方法基于适配器增强扩散模型，能够在图像和视频的风格转换中灵活地控制训练过程，与现有方法相比，该框架具有更优越的性能。

6 结 语

结合本文着重分析的蜡染产品数智设计4个关键维度，该领域未来可能面临的机遇主要体现在以下几个方面。第一，对于蜡染文化符号精确化提取与语义表征丰富性。利用数智设计技术中的自然语言处理（Natural Language Processing，NLP）和计算机视觉等技术，可以从海量的蜡染图像、音视频等数据中精确提取出与文化符号相关的特征，并构建关于文化符号的设计知识库，作为后续语义分析的参考依据。第二，蜡染图案纹理技术精度与真实感的提升。使用真实蜡染图案样本对深度学习模型进行训练，并加入一些特定的损失函数或约束条件，使模型能够准确学习到样本中的纹理和颜色特征。第三，用户个性化定制与交互式设计。借助于预训练的图像生成模型，开发交互式设计工具。用户可以通过输入一些简单的指令或参数，快速获取具有特定纹理和风格的蜡染图案。

然而，作为一种传统的手工艺，蜡染的独特性和复杂性使其与现代数智技术的融合并非易事，其挑战主要表现在以下的几个方面。第一，蜡染文化符号通常具有丰富的文化内涵和复杂的艺术表现形式，正因如此相关的标注数据可能非常有限，极大影响了NLP训练模型和提高性能。第二，光照是影响纹理真实感的重要因素。模拟真实的光照效果，特别是考虑到蜡染材料的特殊光学性质（如反射、折射、漫反射等），需要强大的计算能力和高效的渲染算法。第三，因为用户与专业设计师的认知偏差，所以将用户的非专业描述或概念转化为计算机可以理解的参数和指令，将面临着较大的挑战。综上所述，蜡染数智设计领域的机遇与挑战并存，有待研究者开展更加深入的研究。

参考文献：

［1］陈宁康. 陈宁康蜡染纪念文集［M］. 上海： 学林出版社， 2005.

CHEN N K. Chen Ningkang Batik Commemorative Collection［M］. Shanghai： Academia Press， 2005.

［2］卢兆麟， 宋新衡， 金昱成. AIGC技术趋势下智能设计的现状与发展［J］. 包装工程， 2023， 44（24）： 18-33.

LU Z L， SONG X H， JIN Y C. State of arts and development of intelligent design methods under the AlGC trend［J］. Packaging Engineering， 2023， 44（24）： 18-33.

［3］TRANFIELD D， DENYER D， SMART P. Towards a methodology for developing evidence-informed management knowledge by means of systematic review［J］. British Journal of Management， 2003， 14（3）： 207-222.

［4］LIU L， CHEN J， ZHAO G Y， et al. Texture classification in extreme scale variations using GANet［J］. IEEE Transactions on Image Processing， 2019， 28（8）： 3910-3922.

［5］LOCKERMAN Y D， SAUVAGE B， ALLEGRE R， et al. Multi-scale label-maps extraction for texture synthesis［J］. ACM Transactions on Graphics （TOG）， 2016， 35（4）： 140-152.

［6］LIU Q. Technological innovation in the recognition process of Yaozhou Kiln ware patterns based on image classification［J］. Soft Computing， 2023（7）： 1-10.

［7］邹悦， 潘伟杰， 吕健， 等. 基于多任务学习的蜡染纹样图案检索方法［J］. 计算机工程与设计， 2022， 43（4）： 1052-1058.

ZOU Y， PAN W J， L J， et al. Batik pattern retrieval method based on multi-task learning［J］. Computer Engineering and Design， 2022， 43（4）： 1052-1058.

［8］方婷玉. 傣锦图案矢量化方法研究及图库平台构建［D］. 杭州： 浙江理工大学， 2023.

FANG T Y. Research on Vectorization Method of Dai Brocade Patterns and Construction of Gallery Platform［D］. Hangzhou： Zhejiang Sci-Tech University， 2023.

［9］FAVREAU J D， LAFARGE F， BOUSSEAU A. Fidelity vs. simplicity： A global approach to line drawing vectorization［J］. ACM Transactions on Graphics （TOG）， 2016， 35（4）： 120-130.

［10］JESCHKE S. Generalized diffusion curves： An improved vector representation for smooth-shaded images［J］. Computer Graphics Forum， 2016， 35（2）： 71-79.

［11］LIENG H， TASSE F， KOSINKA J， et al. Shading curves： Vector-based drawing with explicit gradient control［J］. Computer Graphics Forum， 2015， 34（6）： 228-239.

［12］CHEN R J， WEBER O. Bounded distortion harmonic mappings in the plane［J］. ACM Transactions on Graphics （TOG）， 2015， 34（4）： 1-12.

［13］CHIEN E， CHEN R J， WEBER O. Bounded distortion harmonic shape interpolation［J］. ACM Transactions on Graphics （TOG）， 2016， 35（4）： 1-15.

［14］丁雪峰. 基于Diffusion Curves的矢量图生成与编辑［D］. 杭州： 浙江工业大学， 2020.

DING X F. Vector Image Generation and Manipulation Based on Diffusion Curves［D］. Hangzhou： Zhejiang University of Technology， 2020.

［15］林丽， 郭主恩， 阳明庆. 面向产品感性意象的造型优化设计研究现状及趋势［J］. 包装工程， 2020， 41（2）： 65-79.

LIN L， GUO Z E， YANG M Q. Current research situation and trend of product image-based modeling optimization［J］. Packaging Engineering， 2020， 41（2）： 65-79.

［16］NAGAMACHI M. Kansei engineering as a powerful consumer-oriented technology for product development［J］. Applied Ergonomics， 2002， 33（3）： 289-294.

［17］陈金亮， 赵锋. 产品感性意象设计研究进展［J］. 包装工程， 2021， 42（20）： 178-187.

CHEN J L， ZHAO F. Review of product kansei image design［J］. Packaging Engineering， 2021， 42（20）： 178-187.

［18］WANG Z X， HO S B， CAMBRIA E. A review of emotion sensing： Categorization models and algorithms［J］. Multimedia Tools and Applications， 2020， 79（47）： 35553-35582.

［19］贾耀程， 王美超. 创新设计中脑电认知的服饰图案与感性意象关联［J］. 毛纺科技， 2021， 49（11）： 70-74.

JIA Y C， WANG M C. Correlation between clothing pattern and kansei image based on electroencephalogram cognition in innovation design［J］. Wool Textile Journal， 2021， 49（11）： 70-74.

［20］施实芳， 潘伟杰， 吕健， 等. 基于眼动数据的蜡染纹样个性化偏好研究［J］. 图学学报， 2017， 38（4）： 516-522.

SHI S F， PAN W J， L J， et al. Batiks patterns of individual preference research based on eye movement data［J］. Journal of Graphics， 2017， 38（4）： 516-522.

［21］CHOI K， JUN C. A systematic approach to the kansei factors of tactile sense regarding the surface roughness［J］. Applied Ergonomics， 2007， 38（1）： 53-63.

［22］苏建宁， 苏玉姣， 张志鹏， 等. 基于复杂网络的产品形态意象与要素挖掘方法［J］. 包装工程， 2023， 44（16）： 48-58.

SU J N， SU Y J， ZHANG Z P， et al. Product form lmage and element mining method based on complex network［J］. Packaging Engineering， 2023， 44（16）： 48-58.

［23］郑畑子， 王建萍. 服装印花图案设计的感性研究［J］. 纺织学报， 2020， 41（8）： 101-107.

ZHENG T Z， WANG J P. Perceptual research on printing pattern design for clothing［J］. Journal of Textile Research， 2020， 41（8）： 101-107.

［24］吴艳华， 林丽. 贵州苗族服饰色彩意象认知的KCQ-KE模型构建［J］. 丝绸， 2021， 58（2）： 122-130.

WU Y H， LIN L. The construction of a KCQ-KE model for the color image cognition of Miao costumes in Guizhou［J］. Journal of Silk， 2021， 58（2）： 122-130.

［25］吴艳华， 林丽， 杨勤， 等. 黎平县苗侗民族服饰刺绣绣种意象认知贴合度分档［J］. 丝绸， 2021， 58（6）： 70-75.

WU Y H， LIN L， YANG Q， et al. Classifcation of fit degrees between images and embroidery varieties of Miao-Dong ethnic costumes in Liping county［J］. Journal of Silk， 2021， 58（6）： 70-75.

［26］皮珂珂， 陈敏之. 连衣裙感性因子与款式要素关系模型的构建［J］. 浙江理工大学学报（自然科学版）， 2022， 47（2）： 173-180.

PI K K， CHEN M Z. The construction of the relation model between dress perceptual factors and style elements［J］. Journal of Zhejiang Sci-Tech University （Natural Sciences）， 2022， 47（2）： 173-180.

［27］吴梦瑶， 虞倩雯， 王建萍， 等. 黔东南苗绣感性意象与纹样设计要素的回归模型构建［J］. 毛纺科技， 2023， 51（7）： 97-103.

WU M Y， YU Q W， WANG J P， et al. Regression model construction of perceptual image and pattern design elements［J］. Wool Textile Journal， 2023， 51（7）： 97-103.

［28］吕健， 谢庆生， 黄海松， 等. 基于图解特征语义认知的产品设计过程知识模型［J］. 图学学报， 2015， 36（5）： 703-711.

L J， XIE Q S， HUANG H S， et al. A method of product appearance design based on graphical semantic cognition［J］. Journal of Graphics， 2015， 36（5）： 703-711.

［29］罗仕鉴， 朱上上. 工业设计中基于本体的产品族设计DNA［J］. 计算机集成制造系统， 2009， 15（2）： 226-233.

LUO S J， ZHU S S. Ontology-based product family design DNA in industrial design［J］. Computer Integrated Manufacturing Systems， 2009， 15（2）： 226-233.

［30］罗仕鉴， 朱上上， 冯骋. 面向工业设计的产品族设计DNA［J］. 机械工程学报， 2008（7）： 123-128.

LUO S J， ZHU S S， FENG P. Product family design DNA for industrial design［J］. Journal of Mechanical Engineering， 2008（7）： 123-128.

［31］苟秉宸， 于辉， 李振方， 等. 半坡彩陶文化基因提取与设计应用研究［J］. 西北工业大学学报（社会科学版）， 2011， 31（4）： 66-69.

GOU B C， YU H， LI Z F， et al. Research on gene extraction and design application of Banpo colored pottery culture［J］. Journal of Northwestern Polytechnical University （Social Sciences）， 2011， 31（4）： 66-69.

［32］邓丽， 陈波， 张旭伟， 等. 凉山彝族服饰文化基因提取及应用［J］. 包装工程， 2018， 39（2）： 270-275.

DENG L， CHEN B， ZHANG X W， et al. The extraction and application of costume culture gene of Liangshan Yi nationality［J］. Packaging Engineering， 2018， 39（2）： 270-275.

［33］岳岩. 秦淮剪纸工艺文化基因提取及设计应用研究［J］. 艺术与设计（理论）， 2020， 2（12）： 93-95.

YUE Y. Design application and gene extraction of Qinhuai （Nan Jing） paper-cut technology culture［J］. Art and Design， 2020， 2（12）： 93-95.

［34］赵海英. 文化基因研究缘起、进展与未来研究思考综述［J］. 中国传媒大学学报（自然科学版）， 2021， 28（5）： 1-10.

ZHAO H Y. Review of the origin， progress and future research plan of cultural gene research［J］. Journal of Communication University of China （Science and Technology）， 2021， 28（5）： 1-10.

［35］刘宗明， 王艺潼. 湘绣手工艺文化基因谱系图构建及设计应用［J］. 包装工程， 2024， 45（2）： 234-240.

LIU Z M， WANG Y T. Construction and application of gene pedigree of Hunan embroidery handicraft culture［J］. Packaging Engineering， 2024， 45（2）： 234-240.

［36］王铁君， 王维兰. 唐卡领域本体研究与构建［J］. 吉林大学学报（理学版）， 2017， 55（2）： 363-370.

WANG T J， WANG W L. Research and construction of Thangka domain ontology［J］. Journal of Jilin University （Science Edition）， 2017， 55（2）： 363-370.

［37］王铁君， 王维兰. 基于Jena的唐卡领域本体推理［J］. 吉林大学学报（工学版）， 2016， 46（6）： 2059-2066.

WANG T J， WANG W L. Thangka domain ontology reasoning based on Jena［J］. Journal of Jilin University （Engineering and Technology Edition）， 2016， 46（6）： 2059-2066.

［38］LIU J， ZHENG B J， LUO L M， et al. Ontology representation and mapping of common fuzzy knowledge［J］. Neurocomputing， 2016（215）： 184-195.

［39］PARK E H， STOREY V C. Emotion ontology studies： A framework for expressing feelings digitally and its application to sentiment analysis［J］. ACM Computing Surveys， 2023， 55（9）： 1-38.

［40］AL-KAZZAZ D A， BRIDGES A H. A framework for adaptation in shape grammars［J］. Design Studies， 2012， 33（4）： 342-356.

［41］HAAKONSEN S M， RNNQUIST A， LABONNOTE N. Fifty years of shape grammars： A systematic mapping of its application in engineering and architecture［J］. International Journal of Architectural Computing， 2023， 21（1）： 5-22.

［42］GRASL T， ECONOMOU A. From shapes to topologies and back： An introduction to a general parametric shape grammar interpreter［J］. Ai Edam， 2018， 32（2）： 208-224.

［43］OSTWALD M J， LEE J H. Computational analytical methods for buildings and cities： Space syntax and shape grammar［J］. Buildings， 2023， 13（7）： 1613.

［44］MUSLIMIN R. Experience grammar： Creative space planning with generative graph and shape for early design stage［J］. Buildings， 2023， 13（4）： 869.

［45］RUIZ-MONTIEL M， BELMONTE M-V， BONED J， et al. Layered shape grammars［J］. Computer-Aided Design， 2014（56）： 104-119.

［46］JESUS D， COELHO A， SOUSA A A. Layered shape grammars for procedural modelling of buildings［J］. The Visual Computer， 2016（32）： 933-943.

［47］HOU X G， GOU B C， CHEN D K， et al. A semantic data-driven knowledge base construction method to assist designers in design inspiration based on traditional motifs［J］. Advanced Engineering Informatics， 2023（56）： 101987.

［48］李敏， 白寒， 殷果. 以形状文法为导向的参数化传统纹样设计技术研究［J］. 包装工程， 2023， 44（22）： 242-251.

LI M， BAI H， YIN G. Parametric design technology of traditional patterns based on shape grammar［J］. Packaging Engineering， 2023， 44（22）： 242-251.

［49］BARNSLEY M， VINCE A. Developments in fractal geometry［J］. Bulletin of Mathematical Sciences， 2013（3）： 299-348.

［50］YUAN Q N， L J， HUANG H S. Auto-generation method of butterfly pattern of batik based on fractal geometry［J］. International Journal of Signal Processing， Image Processing and Pattern Recognition， 2016， 9（4）： 369-392.

［51］HAIDEKKER M A， ANDRESEN R， EVERTSZ C J， et al. Assessing the degree of osteoporosis in the axial skeleton using the dependence of the fractal dimension on the grey level threshold［J］. The British Journal of Radiology， 1997， 70（834）： 586-593.

［52］MANDELBROT B， 王继振. 分形： 自然界的几何学［J］. 世界科学， 1991（11）： 1-4.

MANDELBROT B， WANG J Z， Fractal： Geometry in nature［J］. World Science， 1991（11）： 1-4.

［53］DING N， LV J， HU L. Research on national pattern reuse design and optimization method based on improved shape grammar［J］. International Journal of Computational Intelligence Systems， 2020， 13（1）： 300-309.

［54］冯青， 吴梦迪， 余隋怀， 等. 基于BP神经网络的罐式车辆配色与评价方法研究［J］. 机械设计， 2019， 36（1）： 118-123.

FENG Q， WU M D， YU S H， et al. Research of tank vehicle colour matching and evaluation method based on BP neural network［J］. Journal of Machine Design， 2019， 36（1）： 118-123.

［55］朱苗苗， 吕健， 刘翔， 等. 交互式遗传算法在民族图案创新设计中的应用［J］. 计算机工程与设计， 2019， 40（11）： 3342-3348.

ZHU M M， L J， LIU X， et al. Application of interactive genetic algorithm in innovative design method of national pattern［J］. Computer Engineering and Design， 2019， 40（11）： 3342-3348.

［56］丁宁， 吕健， 胡涞， 等. 综合神经网络与遗传算法的图形重构方法研究［J］. 微电子学与计算机， 2019， 36（7）： 81-86.

DING N， L J， HU L， et al. Research on graph reconstruction method based on neural network and genetic algorithm［J］. Microelectronics amp; Computer， 2019， 36（7）： 81-86.

［57］PAULY M， KEISER R， ADAMS B， et al. Meshless animation of fracturing solids［J］. ACM Transactions on Graphics （TOG）， 2005， 24（3）： 957-964.

［58］喻扬涛. 蜡染数字化关键技术研究［D］. 昆明： 云南大学， 2017.

YU Y T. Research on Key Technologies of Batik Simulation［D］. Kunming： Yunnan University， 2017.

［59］WYVILL B， VAN OVERVELD K， CARPENDALE S. Rendering cracks in batik［C］//Proceedings of the 3rd international symposium on Non-photorealistic animation and rendering. New York， USA： ACM， 2004.

［60］TANG Y， FANG K J， FU S H， et al. An improved algorithm for simulating wax-printing patterns［J］. Textile Research Journal， 2011， 81（14）： 1510-1520.

［61］喻扬涛， 徐丹， 钱文华. 蜡染冰纹生成与染色模拟［J］. 中国科学： 信息科学， 2019， 49（2）： 159-171.

YU Y T， XU D， QIAN W H. Simulation of batik cracks and cloth dying［J］. Science Sinica （Informationis）， 2019， 49（2）： 159-171.

［62］MORIMOTO Y， ONO K. New Cloth Modeling for Designing Dyed Patterns［M］. New York， USA： ACM， 2010.

［63］喻扬涛， 俞振璐， 钱文华， 等. 基于扩散的蜡染染色模拟［J］. 系统仿真学报， 2018， 30（6）： 2117-2124.

YU Y T， YU Z L， QIAN W H， et al. Batik dying simulation based on diffusion［J］. Journal of System Simulation， 2018， 30（6）： 2117-2124.

［64］喻扬涛， 段鹏. 蜡染数字化中Perlin噪声的应用［J］. 云南民族大学学报（自然科学版）， 2020， 29（6）： 607-613.

YU Y T， DUAN P. Application of Perlin noise to batik simulation［J］. Journal of Yunnan Minzu University （Natural Sciences Edition）， 2020， 29（6）： 607-613.

［65］GATYS L， ECKER A， BETHGE M. A neural algorithm of artistic style［J］. Journal of Vision， 2016（36）： 326.

［66］JOHNSON J， ALAHI A， LI F F. Perceptual losses for real-time style transfer and super-resolution［C］//Computer Vision-ECCV 2016： 14th European Conference. Amsterdam， The Netherlands： Springer International Publishing， 2016.

［67］WANG X， OXHOLM G， ZHANG D， et al. Multimodal transfer： A hierarchical deep convolutional neural network for fast artistic style transfer［C］//Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. Honolulu， HI， USA： IEEE， 2017.

［68］ATARSAIKHAN G， IWANA B K， UCHIDA S. Contained neural style transfer for decorated logo generation［C］//2018 13th IAPR International Workshop on Document Analysis Systems （DAS）. Vienna， Austria： IEEE， 2018.

［69］王晨琛， 王业琳， 葛中芹， 等. 基于卷积神经网络的中国水墨画风格提取［J］. 图学学报， 2017， 38（5）： 754-759.

WANG C C， WANG Y L， GE Z Q， et al. Convolutional neural network-based Chinese Ink-Painting artistic style extraction［J］. Journal of Graphics， 2017， 38（5）： 754-759.

［70］郑锐， 钱文华， 徐丹， 等. 基于卷积神经网络的刺绣风格数字合成［J］. 浙江大学学报（理学版）， 2019， 46（3）： 270-278.

ZHENG R， QIAN W H， XU D， et al. Synthesis of embroidery based on convolutional neural network［J］. Journal of Zhejiang University （Science Edition）， 2019， 46（3）： 270-278.

［71］马皎. 宁强羌族刺绣纹样的转译与创新设计研究［J］. 包装工程， 2018， 39（20）： 22-28.

MA J. Translation and innovation design of Ninggiang Qiang embroidery patterns［J］. Packaging Engineering， 2018， 39（20）： 22-28.

［72］温佩芝， 姚航， 沈嘉炜. 基于卷积神经网络的石刻书法字识别方法［J］. 计算机工程与设计， 2018， 39（3）： 867-872.

WEN P Z， YAO H， SHEN J W. Recognition method of stone inscription font based on convolution neural network［J］. Computer Engineering and Design， 2018， 39（3）： 867-872.

［73］黎智， 徐丹. 基于卷积神经网络的蜡染染色模拟［J］. 图学学报， 2020， 41（2）： 196-203.

LI Z， XU D. Batik dyeing simulation based on convolutional neural network［J］. Journal of Graphics， 2020， 41（2）： 196-203.

［74］侯宇康， 吕健， 刘翔， 等. 基于神经风格迁移网络的民族图案创新方法［J］. 图学学报， 2020， 41（4）： 606-613.

HOU Y K， L J， LIU X， et al. Innovative method of ethnic pattern based on neural style transfer network［J］. Journal of Graphics， 2020， 41（4）： 606-613.

［75］WANG K F， GOU C， DUAN Y J， et al. Generative adversarial networks： Introduction and outlook［J］. IEEE/CAA Journal of Automatica Sinica， 2017， 4（4）： 588-598.

［76］ZHU J Y， PARK T， ISOLA P， et al. Unpaired image-to-image translation using cycle-consistent adversarial networks［C］//Proceedings of the IEEE International Conference on Computer Vision. Venice， Italy： IEEE， 2017.

［77］PARK T， EFROS A A， ZHANG R， et al. Contrastive learning for unpaired image-to-image translation［C］//Computer Vision-ECCV 2020： 16th European Conference. Glasgow， UK， August： Springer International Publishing， 2020.

［78］何文泽. 基于生成式对抗网络的民族图案生成研究［D］. 长春： 吉林大学， 2022.

HE W Z. Research on Ethnic Pattern Generation Based on Generative Adversarial Networks［D］. Changchun： Jilin University， 2022.

［79］周强， 王露， 冯金牛， 等. 基于门控卷积生成对抗网络的西汉漆箱纹饰图案数字化修复研究［J］. 陕西科技大学学报， 2024， 42（1）： 153-160.

ZHOU Q， WANG L， FENG J N， et al. Study on digital restoration of ornamentation of lacquer boxes of the Western Han Dynasty based on gated convolutional generative adversarial networks［J］. Journal of Shaanxi University of Science amp; Technology， 2024， 42（1）： 153-160.

［80］VASWANI A， SHAZEER N， PARMAR N， et al. Attention is all you need［J］. Advances in Neural Information Processing Systems， 2017， 30： 6000-6010.

［81］DOSOVITSKIY A， BEYER L， KOLESNIKOV A， et al. An image is worth 16×16 words： Transformers for image recognition at scale［C］//9th International Conference on Learning Representations （ICLR）. Vienna， Austria： OpenReview. net， 2021.

［82］DENG Y Y， TANG F， DONG W M， et al. Sty Tr2： Image style transfer with transformers［C］//Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition. New Orleans， LA， USA： IEEE， 2022.

［83］TULI S， DASGUPTA I， GRANT E， et al. Are convolutional neural networks or transformers more like human vision？［J］. arXiv preprint， 2021， 5： 7197-7204.

［84］NASEER M M， RANASINGHE K， KHAN S， et al. Intriguing properties of vision transformers［J］. Advances in Neural Information Processing Systems， 2021（34）： 23296-23308.

［85］HO J， JAIN A， ABBEEL P. Denoising diffusion probabilistic models［J］. Advances in Neural Information Processing Systems， 2020， 33： 6840-6851.

［86］RUTA D， TARRS G C， GILBERT A， et al. Diff-nst： Diffusion interleaving for deformable neural style transfer［J］. arXiv preprint， 2023， 7： 4157-4172.

［87］WANG H Z， WANG H R， YANG J Z， et al. HiCAST： Highly customized arbitrary style transfer with adapter enhanced diffusion models［J］. arXiv preprint， 2024， 5： 5870-5893.

Hot spots and development trends of digital intelligent design technology research on batik products

ZHANG Chi， WANG Xiangrong

LUO Shijian， ZHANG Longyu， TIAN Xin， L Jian

（College of Computer Science and Technology， Zhejiang University， Hangzhou 310027， China）

Abstract： Batik， a time-honored Chinese dyeing technique steeped in profound historical and cultural significance， has been handed down through countless generations， standing as a testament to the wisdom and masterful craftsmanship of our ancestors. Its essence lies in the artful utilization of techniques such as “covering” or “folding” to precisely control which parts of the fabric are dyed， thus creating captivating “blanks” that form intricate and alluring patterns. This unique approach has not only been recognized as a national intangible cultural heritage but has also sparked widespread interest and application in diverse product design fields due to its unparalleled artistic and aesthetic appeal. Modern designers incorporate batik motifs by extracting them and seamlessly integrating them as integral components in their works， thus marrying traditional values with contemporary design aesthetics. However， with the rapid advancements in technologies like artificial intelligence， design methodologies are evolving at a breakneck pace， ushering in the emergence of digital-intelligence design. This paradigm shift transcends the traditional boundaries of digital or computational design， integrating human and non-human intelligence into a multifaceted， interactive， and bidirectional thinking process that fosters innovation and creativity. The integration of digital-intelligence technology with batik product design holds immense potential， promising to be revolutionized in the way it is approached， becoming more efficient， innovative， and responsive to the evolving needs of modern consumers. However， the complexity of the academic research landscape has posed challenges in providing robust theoretical support to the industry， which has been hampered in harnessing the full potential of digital-intelligence technology for batik product design due to the scarcity of comprehensive research. Currently， batik is scarcely studied comprehensively， with most studies narrowly focused on specific batik types and exploring topics such as cultural industry development， historical inheritance， and preservation. This gap in research underscores the need for batik and its potential applications in the digital era to be understood more holistically and thoroughly. To address this gap， a comprehensive overview of the current research hotspots and future trends in digital-intelligence technology for batik product design is necessitated.

To address the scarcity of research and lack of comprehensive， systematic approaches in digital-intelligence design for batik products， this comprehensive study employs bibliometric analysis as its foundational methodology， and selectively utilizes the China National Knowledge Infrastructure （CNKI） and the Web of Science （WOS） databases encompassing both Chinese and English sources as the statistical backbone. Each paper undergoes rigorous individual screening， with its title， abstract， keywords， and core viewpoints being considered， while non-academic contents such as introductions， book reviews， news articles， and papers unrelated to digital-intelligence design for batik products are excluded. This screening process effectively diminishes the number of ineffective factors， thus enhancing the precision of the research data and enabling a focused approach on the most pertinent research priorities. Ultimately， a total of 220 Chinese and 208 English documents are identified and compiled. By utilizing these findings， VOSviewer software is leveraged to conduct a thorough systematic review， emphasizing the evolution trends and co-occurrence clustering of keywords. This analysis is conducted to provide insights into the evolution of key technologies， identify current research hotspots， and forecast potential future development trends. The design methodology itself is thoroughly examined， with a scrutinization of four pivotal dimensions that are critical to its success： the precise extraction and meaningful representation of cultural symbols， the generation and reasoning of rule-driven designs， the simulation of batik textures and fabric dyeing processes， and the transfer of pattern styles. Within each of these dimensions， close attention is paid to the current status and evolving trends of critical technologies. The study pinpoints the gaps in existing research， highlighting areas that demand further exploration and advancement. The research endeavors to establish theoretical frameworks and technological breakthroughs that constitute a robust foundation for propelling future scholarly inquiries. The ultimate ambition is to kindle research interest in the intersection of modern digital-intelligence technology and intangible cultural heritage. By bridging the divide between traditional craftsmanship and contemporary technology， the study seeks to spark innovative approaches to safeguarding and transmitting our rich traditional culture， so as to ensure its vibrancy and relevance in the modern world.

The potential opportunities for the future of digital-intelligence design in batik are primarily resided in three key areas： the precise extraction and enriched semantic representation of batik cultural symbols， the enhancement of technical precision and realism in batik pattern textures， and the facilitation of user personalization and interactive design. However， we are also faced with challenges such as the impact of limited annotated data on model performance， the significant computational requirements for simulating realistic lighting effects， and the cognitive gaps between users and professional designers. Navigating these opportunities and overcoming these challenges will require that researchers conduct more rigorous and in-depth studies.

Key words： batik; traditional handicraft; digital intelligence design; VOSviewer; bibliometrics

收稿日期： 2024-04-27; 修回日期： 2024-05-21

基金项目： 国家社会科学基金艺术学重大项目（20ZD09）

作者简介： 罗仕鉴（1974），男，教授，博导，主要从事工业设计、智能设计、服务体验设计等研究。