DOGS обошёл 9 базовых методов в генерации логотипов на двух рендерерах

Исследователи опубликовали на arXiv работу DOGS (Design-space prompting with an Originality-aware GFlowNet Sampler). Это метод генерации логотипов, в котором текстовый промпт не переписывают, а собирают как граф дизайн-решений. Авторы проверили его на двух open-source рендерерах и сравнили с девятью базовыми методами. По их данным, DOGS даёт логотипы более узнаваемые и эстетичные, заметно более разнообразные и гораздо реже похожие на защищённые товарные знаки. Конкретные значения метрик в аннотации не приведены, их нужно искать в самой статье.

Почему переписывание промпта не подходит для логотипов

Оптимизация промптов для text-to-image моделей почти целиком сводится к переписыванию текста. Короткий запрос пользователя разворачивают в длинную последовательность токенов, которую модель лучше понимает. Для фотореалистичных сцен это работает. С логотипами хуже.

Однострочное техзадание вроде «логотип для кофейни» оставляет открытыми почти все решения: форму, композицию, палитру, степень абстракции, тип шрифта. Эти решения связаны между собой. От выбора символа зависит допустимая типографика, от неё зависит компоновка. Линейная последовательность токенов такие связи кодирует плохо.

Есть и юридическая проблема. Если решения не заданы явно, модель заполняет пробелы тем, что чаще всего видела в обучающих данных. А там много защищённых знаков. Так возникает неконтролируемый канал, через который узнаваемый чужой логотип может просочиться в результат.

Как устроен DOGS

Авторы переформулировали задачу: промптинг логотипа становится семплированием в структурированном пространстве дизайна. Конвейер состоит из нескольких частей.

Сначала из большого корпуса реальных логотипов извлекается типизированная графовая грамматика дизайна. Рёбра графа фиксируют эмпирическую совместную встречаемость элементов, то есть какие решения обычно идут вместе.

Затем работает семплер на GFlowNet. Эта архитектура генерирует объекты с вероятностью, пропорциональной терминальной награде, поэтому она выдаёт не один оптимум, а разнообразный набор хороших вариантов. Награда складывается из трёх компонент: узнаваемость, эстетика и оригинальность относительно корпуса.

Каждый слот графа заполняется только из закрытого словаря дизайн-уровня. Любой токен, который провоцирует нарушение прав или вреден, удаляется ещё на этапе разбора. Награда за оригинальность штрафует близость к существующим логотипам. Защита от нарушений, таким образом, заложена в сам метод, а не добавлена фильтром после генерации.

Что известно по аннотации

• Метод: DOGS, дизайн-граф плюс GFlowNet-семплер.
• Данные: большой корпус реальных логотипов, из него извлекается грамматика.
• Награда: узнаваемость, эстетика и оригинальность относительно корпуса.
• Ограничения генерации: закрытый словарь дизайн-уровня и удаление опасных токенов при разборе.
• Проверка: два open-source рендерера и девять базовых методов.
• Заявленный результат: выше узнаваемость и эстетика, существенно больше разнообразие, заметно меньше риск нарушения товарных знаков.

Что это даёт на практике

Для команд, которые строят сервисы автоматической генерации брендинга, идея полезна независимо от конкретной реализации. Она состоит в том, чтобы вынести дизайн-решения из свободного текста в явную структуру, где их можно контролировать, логировать и проверять. Тогда вопрос «почему модель нарисовала именно это» получает ответ в виде конкретных значений слотов.

Метод стоит проверять на нескольких вещах. Первая — как «оригинальность относительно корпуса» соотносится с юридической проверкой. Близость к известным логотипам в пространстве признаков не равна риску иска, и такую метрику нельзя считать заменой патентного поиска. Вторая — как грамматика ведёт себя на нишевых запросах, которых в корпусе мало. Третья — какую цену по скорости и сложности платят за семплирование графа вместо одного вызова языковой модели.

Тем, кто выпускает подобные продукты, имеет смысл дождаться полной версии статьи и кода. Тогда можно будет сравнить DOGS с текстовыми оптимизаторами промптов на собственных задачах и посмотреть, сохранится ли преимущество в разнообразии и правовой чистоте.