隨著 AI 的大火，大家都在考慮如何通過 AI 提升工作效率，接下來簡述一下我在可視化領域使用 AI - Midjourney 進行設計提效的嘗試。

工具大比拼：

在正文開始之前先看五張圖

五張圖總花費時間為 1 小時左右，其中訓練 Midjourney 生成圖像花了 20 分鐘左右，使用現(xiàn)有組件完成設計稿大概用了 40 分鐘。

結論：針對日?？梢暬笃烈曈X設計提效 80%以上。

近期隨著 ChatGPT 和 Midjourney 的大火，大家都在探索如何使用 AIGC 對我們已有的工作進行提效。開始之前，首先說明一下什么是 AIGC。 內容產生分為三個階段，分別是 PGC、UGC 和目前大火的 AIGC。分別對應了專家產生內容、用戶產生內容以及目前的 AI 產生內容，對應到大的時間周期有兩個時間節(jié)點，分別是 2008 年和 2023 年。其中 2008 年以前是 PGC 時代，即專家產生內容，2008 年之后隨著移動互聯(lián)的來臨，開啟了 UGC 時代，即用戶產生內容。最后就是當下，2023 年，開年隨著 ChatGPT 和 Midourney 的大火，同時開啟了 AI 創(chuàng)造內容的時代。

隨著 AI 的大火，作為一名可視化大屏設計師，我也在考慮如何通過 AI 提升我的工作效率，接下來簡述一下我在可視化領域使用 AI 進行設計提效的嘗試。

由于市面上存在大量的 AI 繪畫工具，每個工具擅長的畫風也各有所長；選擇合適的工具可以幫助我們在 AI 創(chuàng)作中事半功倍。

1. Midjourney、StableDiffsion、DALLE2 繪圖案例及特點

Midjourney：畫面注重細節(jié)的構建和表達；同時對不同材質的展示也非常細致。

Stable Diffusion：畫風更偏寫實；生成照片級別的作品

DALLE 2：筆觸比較明顯，更加偏向繪畫風格

2. Midjourney、Stable Diffusion、DALLE 2 橫向對比

三組 AI 模型輸入同樣的 Prompt，生成圖像進行橫向對比，總結不同 AI 模型所擅長的繪圖風格。

Midjourney 生成的圖像更加具有藝術風格，更偏向 CG 畫面。Stable Diffusion、DALLE 2 生成的圖像更偏向寫實、具有照片感。因此選擇 Midjourney 作為賦能可視化大屏設計的 AI 工具進行探索。

可視化大屏設計擁抱 AI，獲得 AI 能力加持，提升工作效率?？梢詮膬蓚€方面綜合思考，找準切入點。第一是工作流程，第二是頁面結構。

1. 可視化大屏工作流程

從可視化大屏的產設研流程來看，一個產品的上線需要經歷如下環(huán)節(jié)：提出需求 、視覺探索、交互設計、完成設計、開發(fā)文檔、協(xié)助開發(fā)、設計走查、產品上線等。整個流程較為復雜。結合 AI 產出的內容，可將 AI 提效部分聚焦在視覺探索階段。視覺探索是整個可視化大屏產品設計階段較為重要的一環(huán)，也是最為耗費人力的階段。好的視覺往往能夠讓人眼前一亮，為優(yōu)秀的可視化作品奠定基礎。

2. 可視化大屏頁面結構

一個完整的可視化大屏設計方案從頁面結構上分為視覺層和數(shù)據層。其中數(shù)據層是整個可視化大屏的核心，是核心要傳達給用戶有價值的數(shù)據的內容，輔助用戶決策。視覺層則是靈魂，一個可視化大屏是否能獲得用戶的認可，通?？匆曈X層的表現(xiàn)。

根據對可視化大屏的在工作流程和頁面結構的拆解，頁面結構中的視覺層以及工作流程中的視覺設計更加偏向重復性以及設計探索類的工作。再結合 AI 繪圖的特點：低成本的、快速的、批量產生設計內容。因此我嘗試使用 AI 來輔助完成可視化的視覺探索方向的設計工作。

1. 傳統(tǒng)可視化視覺設計流程

傳統(tǒng)的可視化視覺設計流程通常從獲取地理信息數(shù)據開始，然后再進行數(shù)據建模、模型渲染、效果合成。其中完成數(shù)據建模之后的模型渲染和效果合成是一個循環(huán)反復的過程，需要不斷打磨渲染效果以及合成效果，最終才能完成作品輸出。對這個流程的優(yōu)化也將是 AI 提效的關鍵節(jié)點。

2. Midjourney 輔助視覺設計流程

開始進行 AI 輔助設計之前，我們首先需要知道 Midjourney 的工作流程是什么以及一些相關參數(shù)與名詞的介紹。

① Midjourney 工作流程

Midjourney 在 AI 生成圖像過程中有兩個路徑，其一是文本生圖，其二是以圖生圖的方式。其中文本生圖 Text to img 是更為常見的一種方式，通過一段對畫面描述的文字，告訴 AI 你想要的畫面，AI 就可以幫你生成對應的圖像。以圖生圖 Img to img 是通過輸入一張原始圖像給 AI，輔助描述文字生成一張基于原始圖像的新圖像。

② Midjourney 參數(shù)及名詞介紹

--v 5：表示使用的是第幾個版本的 Midjourney AI 模型（目前從 V1 到 V5 版本）

--ar 2:1：所生成圖片的寬高比例 （1:1 到 2:1 之間）

--iw 1：以圖生圖模式中，新圖和原始圖的關聯(lián)度（最小是 0.5，最大是 2）

--q 2: 預覽質量（0.25 到 5。數(shù)值越高渲染所需時間越久）

--no XXX：XXX 代表不想讓圖像出現(xiàn)的元素（--no background 表示不要背景元素）

U1 U2 U3 U4：代表了顯示的四張圖；點擊其中一個按鈕，系統(tǒng)就會發(fā)給用戶對應的圖片 V1 V2 V3 V4：對應了四張圖片，點擊其中一個按鈕系統(tǒng)會推給我們四張對應圖片的細節(jié)調整版

3. 文本生圖 Text to img

在使用 Midjourney 生成圖像的過程中，整個流程的關鍵是“Prompt”的撰寫。Prompt 作為用戶和 AI 溝通的橋梁，書寫的質量直接影響生成畫面的效果。Prompt 寫的越詳細，越完善，生成的圖像會越具體，更能符合用戶對生成圖片的預期。

Step 1 對我們想要的畫面主體進行描述。

Prompt：Earth with China as the main body,

Step 2 對我們想要的畫面主體以及畫面風格進行描述。

Prompt：Earth with China as the main body, HUD, FUI, Data visualization, 3D render, C4D,

Step 3 對我們想要的畫面主體、畫面風格、視覺參考以及藝術流派進行描述。

Prompt：Earth with China as the main body, HUD, FUI, Data visualization, 3D render, C4D, Dennis Schaefer, Futurism, Artstation, Behance,

Step 4 對我們想要的畫面主體、畫面風格、視覺參考、藝術流派以及畫面視角進行描述。

Prompt：Earth with China as the main body, HUD, FUI, Data visualization, 3D render, C4D, Dennis Schaefer, Futurism, Artstation, Behance, panoramic, screen is blue,

Step 5 對我們想要的畫面主體、畫面風格、視覺參考、藝術流派以及畫面視角進行描述之后，如果有意向圖片，可以選擇對應圖片點擊“V”按鈕，讓系統(tǒng)推送細節(jié)調整版本。在這個過程中可以進行畫質提升操作。

Step 6 在細節(jié)調整有意向圖片后，可以選擇對應圖片點擊“U”按鈕，讓系統(tǒng)發(fā)送我們所選圖片的額大圖。

在 Text to img 過程中生成的一些其他樣式風格的圖片，可供我們進行參考，提供靈感來源。

4. 以圖生圖 Img to img

Setp 1 使用和 text to img 相同的 Prompt，僅改變 iw 值，iw（生成的圖片和原圖片的相似性。0.5 為關聯(lián)性最低，2 為關聯(lián)性最高）值分別為 0.5、1、1.5 和 2。得到以下四組圖片。

Step 2 選擇 iw = 2 中的第四張圖片 并按 V 鍵進行視覺調整。

Step 3 再選擇 V4 進行視覺調整。最后選擇 U2 進行圖像輸出。

最后完整看一下 Img to img 的過程

將 Midjourney 輸出的圖像應用于真實的場景中，同樣需要從兩方面來看。第一是可視化的頁面結構劃分，第二是的工作流程。

首先：根據可視化大屏設計的頁面結構劃分來看，Midjourney 輸出的圖片只是作為背景視覺層來使用，仍需根據業(yè)務需求疊加數(shù)據層的內容。如開篇的兩張圖所示。

其次：從工作流程來看，目前產出的設計稿僅可應用于設計風格探索階段，或者是作為飛機稿的素材使用。無法應用于真實項目中。具體原因看第六點。

結論：Midjourney 輔助可視化大屏視覺設計可以為設計師提供部分靈感來源。提升可視化設計師的視覺探索效率，但無法在實際項目中運用。

在地理信息可視化中，針對視覺設計主要是將地理數(shù)據信息轉化為 3D 模型，再將模型進行渲染。其中將地理信息數(shù)據轉化為 3D 模型過程中核心就是保證 3D 模型對地理信息數(shù)據的準確還原。

然而基于當前對 midjourney V4 模型以及 V5 模型的研究，我理解 AI 生成圖像的基本邏輯是將關鍵詞分別映射到不同的圖像，再將一個關鍵詞組所對應的所有圖像進行拼接，這個過程就像是 PS 的圖片合成，或者叫視覺風格遷移。這樣的一個生成方式會導致細節(jié)的不準確。在實際測試過程中，針對一個具體國家、省份的三維地圖的生成結果基本都是不準確的。因此無法真正用于可視化設計工作中。

那什么時候 AIGC 會對可視化大屏設計效率有質的提升？那就是當 AI 能夠理解并找到對應的地理信息數(shù)據后生成不同類型、風格的圖像的時候，才能做到對普通可視化設計師的效率有質的提升。

這一天也許很遠，也許就在明天！