当前位置:网站首页>智能创意中的尺寸拓展模块
智能创意中的尺寸拓展模块
2022-07-30 22:51:00 【Kun Li】
创意中尺寸拓展是最常见和实用的工具,基本上鹿班,羚珑,阿里妈妈,搞定等都会提供这个工具。目前市面上的尺寸拓展工具还是多以传统的拓扑转换为主,有些比较虚,但实测下来还是以一些规则类的约束,或者是提供海量转换模板等。在尺寸拓展模块前一般会有一个智能解析模块,会对图层进行打标,图层的标签不同意味不同图层的逻辑也不同。在我经验看来,整体上效果比较好的方式还是一套拓扑逻辑加上若干badcase的优化,做复杂了效果不一定好,也许未来也能看到比较不错的建模思路来建模这个问题域,但目前还没有很好的思路。
1.基础的尺寸拓展逻辑
基础的尺寸拓展逻辑核心在确定转换的基准点,确定了转换的基准点,那么所有图层的坐标就可以向目标尺寸进行转换,但是基准点选取的不一样,自然也就造成了转换之后的模板的不同表现形态,这里有个阈值,基本在高宽比正负0.3范围内选择基于左上角的基准点,但此范围之外选择基于模板中心点为基准点。在w/h侧分别乘以水平和竖直方向上的ratio,图层侧用最小的ratio,防止图层超出。
1.1 以待转换模板的左上角点为基准点

1.1.2 以转换模板中心点为基准点

其实两种的实现方式可以按照左上角基准点的方式统一起来,以转换模板中心点的方式的代码实现和第一种稍微有些区别,主要体现在如果是相对模板左上角拓展,各个图层之间的间距会拉大,如果没有绑组操作的话,像文案图层之间的拉大会显得不好看。第二种主要是各土层集中在中心区域,会显得商品和文案图层比较挤当然具体图层的转换还是有区别的,业务侧也会对尺寸拓展对一些业务侧的要求,对于不同图层的迁移逻辑也不相同,比如有些贴边图层,在尺寸拓展之后还是要贴边的,否则会很突兀,这就是具体逻辑的要求了。
2.辅助模板的尺寸拓展
这块主要竞品是京东玲珑的尺寸拓展,上面的尺寸拓展在宽高比0.3范围效果是比较好的,但是常见尺寸拓展并不止于此,而是要求横版拓竖版这种尺寸比较剧烈的变化。
准备一系列模板,当尺寸拓展高宽比不在正负0.3范围,即根据待拓展模板的商品和文案选定辅助模板,将辅助模板尺寸拓展至要拓展的尺寸,再将待拓展的图片中的商品和文案填充到模板尺寸。

边栏推荐
猜你喜欢

Gxlcms audio novel system/novel listening system source code

【Untitled】

Py's pdpbox: a detailed introduction to pdpbox, installation, and case application

Compressing Deep Graph Neural Networks via Adversarial Knowledge Distillation

A detailed explanation: SRv6 Policy model, calculation and drainage

Learning about XML (1)

微软商店出现【0x800706D9】解决方法

ThinkPHP high imitation blue play cloud network disk system source code / docking easy payment system program

vulnhub靶机AI-Web-1.0渗透笔记

Apache Doris系列之:安装与部署详细步骤
随机推荐
Introducing the visualization tool Netron
tcp协议传输中的粘包问题
【高等数学】矩阵与向量组的秩和等价
详解操作符
Go语学习笔记 - gorm使用 - 事务操作 Web框架Gin(十一)
EasyExcel comprehensive course combat
Reverse linked list - head insertion inversion method
ZZULIOJ:1119: sequence order
Abstract classes and interfaces (study notes)
Reverse linked list - in-place inversion method
反转链表-就地逆置法
【MySQL】DQL相关操作
Go1.18升级功能 - 泛型 从零开始Go语言
解决一个Mysql的utf8编码导致的问题
网安学习-内网渗透3
2022.7.30
DFS题单以及模板汇总
【Summary】机器人方法汇总
#yyds干货盘点# 面试必刷TOP101:判断链表中是否有环
ML之shap:基于FIFA 2018 Statistics(2018年俄罗斯世界杯足球赛)球队比赛之星分类预测数据集利用RF随机森林+计算SHAP值单样本力图/依赖关系贡献图可视化实现可解释性之攻略