AETM (Aesthetic-guided Topic Model) 是一个基于多模态主题模型的智能配色方案生成系统。该项目结合了文本描述、颜色数据和人工审美评分，通过创新的主题建模方法，实现了从文本描述到高质量配色方案的智能生成。

• 🎯 审美指导：集成人工审美评分，确保生成的配色方案符合人类审美标准
• 🔄 多模态融合：同时处理文本描述和RGB颜色数据，实现跨模态理解
• 🧠 主题建模：基于moETM框架，学习"色彩-文本"联合分布的主题表示
• 🎨 智能生成：支持从文本描述生成配色方案，或从颜色生成文本描述
• 🔍 相似检索：基于主题空间的相似性搜索，快速找到最匹配的配色方案
• 🌐 Web界面：提供友好的Gradio Web界面，支持实时交互

• 多模态主题模型：基于moETM (multi-omics Embedded Topic Model)
• 编码器-解码器架构：双塔结构处理文本和颜色模态
• 专家乘积融合：Product of Gaussians (PoG) 技术融合多模态信息
• VAE正则化：确保潜在空间的规整性和生成能力

• 深度学习：PyTorch + 神经网络
• 自然语言处理：TF-IDF向量化 + 词袋模型
• Web框架：Gradio + 实时交互界面
• 数据处理：Pandas + NumPy + Scikit-learn

AETM/
├── data/                    # 数据文件
│   ├── palettes_descriptions.xlsx    # 配色方案描述数据
│   └── generate_text_labels.py      # 文本标签生成脚本
├── src/                     # 源代码
│   ├── topic_model.py              # 主题模型定义
│   ├── color_generator_app.py      # 主应用（Web界面）
│   ├── train_complete.py           # 完整训练脚本
│   ├── train_simple.py             # 简化训练脚本
│   ├── train_with_separate_encoders.py  # 分离编码器训练
│   └── eval_utils.py               # 评估工具
├── models/                  # 训练好的模型
├── outputs/                 # 生成结果和评估输出
├── matrices/                # 中间矩阵数据
├── moetm/                   # moETM参考实现
├── requirements_training.txt # 依赖包列表
├── start_server.sh          # Linux/Mac启动脚本
├── start_server.bat         # Windows启动脚本
├── deploy_config.py         # 部署配置
├── Dockerfile               # Docker配置
└── DEPLOYMENT_GUIDE.md      # 部署指南

• Python 3.8+
• 至少4GB内存
• 2GB可用磁盘空间

1. 克隆项目

git clone https://github.com/1662859379/AETM.git
cd AETM

2. 创建虚拟环境

python -m venv venv
source venv/bin/activate  # Linux/Mac
# 或 venv\Scripts\activate  # Windows

3. 安装依赖

pip install -r requirements_training.txt

4. 启动应用

# 使用启动脚本
./start_server.sh  # Linux/Mac
# 或 start_server.bat  # Windows

# 或直接启动
python src/color_generator_app.py

5. 访问Web界面 打开浏览器访问：http://localhost:7860

1. 在文本输入框中描述你想要的配色风格
2. 例如："我想要一个宁静、夏日海滩感觉的配色方案"
3. 点击生成按钮
4. 系统会返回5个RGB颜色值和相应的描述

1. 输入描述文本
2. 系统会在10000+配色方案库中搜索最匹配的方案
3. 基于主题相似性和颜色相似性进行排序
4. 返回最佳匹配的配色方案

# 完整训练
python src/train_complete.py

# 简化训练
python src/train_simple.py

# 分离编码器训练
python src/train_with_separate_encoders.py

AETM基于moETM框架，将文本描述和RGB颜色数据映射到统一的主题空间：

1. 编码阶段：

   • 文本塔：处理文本描述 → 主题分布
   • 颜色塔：处理RGB颜色 → 主题分布
   • 专家乘积：融合两个模态的主题分布

2. 解码阶段：

   • 从主题分布重构文本和颜色表示
   • 生成符合审美标准的配色方案

3. 审美指导：

   • 集成人工评分作为监督信号
   • 确保生成结果符合人类审美标准

L_total = w1 * L_reconstruction + w2 * L_kl + w3 * L_score

• 重构损失：确保生成质量
• KL散度损失：正则化潜在空间
• 评分损失：审美指导

• 主题数量：100个主题
• 嵌入维度：32维
• 数据规模：10,743个配色方案
• 模态融合：文本 + RGB颜色 + 审美评分
• 生成质量：基于人工评分验证

# 开发环境
export FLASK_ENV=development

# 生产环境
export FLASK_ENV=production

# 测试环境
export FLASK_ENV=test

• NUM_TOPICS: 主题数量 (默认: 100)
• EMBEDDING_DIM: 嵌入维度 (默认: 32)
• LEARNING_RATE: 学习率 (默认: 0.001)
• BATCH_SIZE: 批次大小 (默认: 32)
• EPOCHS: 训练轮数 (默认: 100)

./start_server.sh  # Linux/Mac
start_server.bat   # Windows

# 使用Docker
docker build -t aetm .
docker run -d -p 7860:7860 --name aetm-app aetm

# 或直接部署
git clone https://github.com/1662859379/AETM.git
cd AETM
python -m venv venv
source venv/bin/activate
pip install -r requirements_training.txt
python src/color_generator_app.py

详细部署指南请参考 DEPLOYMENT_GUIDE.md

欢迎贡献代码！请遵循以下步骤：

1. Fork 项目
2. 创建功能分支 (git checkout -b feature/AmazingFeature)
3. 提交更改 (git commit -m 'Add some AmazingFeature')
4. 推送到分支 (git push origin feature/AmazingFeature)
5. 打开 Pull Request

本项目采用 MIT 许可证 - 查看 LICENSE 文件了解详情

• 项目主页：https://github.com/1662859379/AETM
• 问题反馈：https://github.com/1662859379/AETM/issues
• 邮箱：[email protected]

• 感谢moETM论文作者提供的理论基础
• 感谢所有贡献者的辛勤工作
• 感谢开源社区的支持

AETM - 让AI理解人类审美，创造美好色彩世界 🎨