我们可以进一步延展该概念，用不同的模型完成同样的不完整简笔画。在下图中，我们看到如何使得同样的圆与方图形成为蚂蚁、火烈鸟、直升机、猫头鹰、沙发等物体的一部分。通过使用训练绘制不同物体的一组不同的模型，设计人员能探索与受众交流视觉信息的新方式。

　　使用不同的 sketch-rnn 模型（训练用来绘制不同的物体）预测同样的圆与方（中心）图形的尾端

对生成式向量图像模型未来的可能性，我们感到非常兴奋。这些模型能满足许多不同方向的令人激动的、新的创新应用。它们也可以作为工具帮助我们提升对创新思维流程的理解。具体细节可查看以下论文：

论文：A Neural Representation of Sketch Drawings

我们提出了sketch-rnn，这是一个能基于笔触绘制常见物体的循环神经网络（RNN）。该模型在数千张人类手绘图像上进行训练，它们代表了数百类物体。我们略述了一个条件式与非条件式简笔画生成框架，也描述了在向量格式中生成连贯简笔画的新的、稳健的训练方法。

　　原文地址：https://research.googleblog.com/2017/04/teaching-machines-to-draw.html

　　本文为机器之心编译，转载请联系本公众号获得授权。

　　?------------------------------------------------

加入机器之心（全职记者/实习生）：[email protected]

投稿或寻求报道：[email protected]

广告&商务合作：[email protected]