自从 Disco Diffusion 在 Github 开源后，AIGC 能力进入快速发展期，随后各类 AI 工具的发布使相关领域都产生了不小的研究和应用浪潮。同时基于 Stable Diffusion 的快速迭代则使 AI 在「电商行业」的应用逐步扩大。

本篇以大促会场设计为例，介绍我们设计师如何在营销活动设计中，构建 AI 工作流与多元化的 AIGC 能力应用，来一起一探究竟吧~

更多AIGC应用范例：

1. 选择合适的工具

考虑到和「会场设计」强主题/强氛围画面的相关性，我们通过对各类 AIGC 能力的研究，最终确认了两个具有实用价值的工具——Midjourney、StableDiffusion来应用到我们的工作流中。对比两者的优劣势，来确定后续的AIGC介入点：

2. 「人在回路」的 AIGC 工作流

在项目中，虽然我们的设计流程循序渐进且标准化，但依旧很难绝对避免「高创意成本」的 KV 画面被推翻反复，或是「高执行成本」的视觉素材要快速拓展。

因此，这两个工具（Midjourney、StableDiffusion）相对应的可以去辅助做到「创意提案」丰富度和「素材设计」精确化，从而节约反复提案确认的时间，并且极大幅度降低出新方案的边际成本，缓解设计师面对「急着要」或是「改方向」的压力和焦虑感。

之后我们针对性地进行了模拟应用，经过多个场景的尝试，选择合适的工具，建立 AIGC 工作流，可以辅助创意视觉更高效的输出：

不同主题活动的画面创意生成

在进行了可行性的测试和介入流程初步判断之后，我们开始在一些实际工作场景中探索应用的更多可能性。

1. AI 介入一场完整的大促活动设计

在一场活动中，我们把需要产出的视觉素材分成了 8 类，做了更细致的 AIGC 生产分工，之后针对不同的画面需求类型，采取了不同的流程手段：

类型 1.3D 场景合成类创意

整体 3D 场景的合成流程

类型 2.故事情景合成类创意

强主题故事情景类的局部创意提取、合成流程

强结构画面需求的边缘控制生成、合成流程

类型 3.平面构成类创意

通过生成丰富元素合成画面的流程

来看看最终产出的内部 kv 画面、元素包、以及上线的各类页面场景应用吧：

活动内部 kv 主视觉画面设计

活动元素创意设计

活动会场页面

活动投放海报&弹窗

2. 更多实战案例

在各个不同行业领域的营销设计项目中，AIGC 也可以快速、低成本的辅助完成大量创意画面的生成，以进行高效的提案和确认：

家装活动中，辅助 kv 画面创意生成

服饰活动中，辅助超现实元素创意生成

家装活动中，辅助系列化画面创意生成

淘宝系列化公仔形象创意生成

淘宝系列化拟人店铺创意生成

从长线的设计储备和提效来看，StableDiffusion 具备更高精确度的设计生产能力，如模型训练、ControlNet 结构控制等等。

1. 视觉风格模型

为了应对更多的临时需求及快速响应，我们尝试在会场设计场景中，建立对应活动的风格模型训练及应用流程，以快速生成所需风格的画面，进行后续的合成设计：

风格训练及应用流程

训练储备不同视觉风格表现的 SD 模型，套用 controlnet 结构控制插件，即可快速生成各类风格下的「大促点位所需结构」的画面：

训练风格储备及 ControlNet 结构控制应用示例

2. 快速实现生成的 AI 数据元素库

完成风格模型训练储备后，生成的各类符号容器、背景氛围、装置素材等等的元素也可以进行提前储备，预设对应的参数数据，来高效应对各类营销设计需求，随需取用：

基于现阶段的 AIGC 能力，在会场设计中，AIGC 能够辅助我们：

1. 大量创意发散

我们能用 AI 生成大量的定制化灵感图、画面素材，提供更多的创意发散可能性，以准备更多高质量的方向和提案；

2. 低成本的输出

我们能用 AI 更快的做出高完成度的设计稿，创意时间成本可减少 50%左右，极大降低出新方案的边际成本，以应对各种项目变化；

3. 设计技能整合

我们能用 AI 高效整合各类设计手段，比如 3D 建模、渲染、插画、动态等等，有更丰富的设计表现手法可以多选择性的呈现；

4. 大促风格统一

我们能用 AI 训练更准确的风格模型，改变以往活动主视觉物料分发制作模式，提高各场景活动的风格一致性。

如同一些划时代意义的设计软件横空出世一般，AI 最终也会成为设计师手中更高效更有力的工具。也许 AI 设计的未来会是一个右脑思维变得越来越重要的领域：丰富的，细致的，个性的感受和语言能力，决定了设计师使用 AI 的能力上限——这就好像我们要训练自己的替身，让「ta」成为自己最得力的设计伙伴，AI也最终会成为这部分人希望它成为的样子。

未来「人在回路」也许会有一种更规则化的运行模式——通过精细化的人为调参和局部重构，控制从0-1的画面生成和细节深挖，形成一种人机互助设计的模式，这也是我们之后可以去探索，如何借助AI工具做更高效、规范、垂直的设计机制。