|

! B3 r( R* E6 y# z3 E 新智元原创
" E0 f2 {' G$ m8 M& n* V% g【新智元导读】英伟达推出的StyleGAN在前不久大火了一把。今日,Reddit一位网友便利用StyleGAN耗时5天创作出了999幅抽象派画作!不仅如此,他还将创作过程无私的分享给了大家,引来众网友的一致好评。
; ?# R+ o; h# }( _/ t
$ s+ l: L# M: C人人都能当抽象派画作大师了! k+ J S3 I" [( H
去年,佳士得拍卖会上拍卖了一副由AI创作的肖像画——《爱德蒙·贝拉米的肖像》,该画最终售价43.25万美元(301万元人民币),远远超过了7000到1万美元的预计售价,同时也引发了人们对人工智能作画的热烈探讨。" |& F5 T7 {) S# I
! e, w$ | `4 |5 u% X
爱德蒙·贝拉米的肖像
* X+ c$ o0 W: T; B/ i9 j3 m# `今天,Reddit上一位网友利用StyleGAN训练生成了999幅抽象派画作!+ W. t$ u; q3 F+ N9 z
0 t# E3 I* X' k* k9 M! L; F5 Q
生成的其中一幅画作! H* d( l( [" W3 Z9 R
这项工作使得其他网友们羡慕不已:3 l# q# V$ Q+ J4 Y% [! k) S

$ p6 u0 ^! L M那么,这999幅AI生成的画作中,是否又会出现天价作品呢?值得拭目以待。5 @/ N; K( b5 `) @
利用StyleGAN训练生成抽象派画作 这位名为“_COD32_”的网友在Reddit上毫无保留的分享了这项工作的创作过程。: s& O8 O) Y3 u( D5 b' e

2 j4 _) V- s* G! ^: wReddit地址:3 w: E3 M" B/ ^7 p0 q! \
在模型方面,采用的依旧是去年英伟达爆款StyleGAN,这是一种新的生成器架构,基于风格迁移,将面部细节分离出来,由模型进行单独调整,从而大幅度超越传统GAN等模型。
9 ]" j9 K' j1 B( v* O& @' q2 D + }/ B2 _- I* b6 F! k
英伟达StyleGAN GitHub官方地址:( `! n2 H \& L; i( K- K' N$ V7 R
在数据方面,采用的是Kaggle上名为”Painter by Numbers“项目中的数据集,其中大部分的图像数据来源于WikiArt.org网站。3 }3 ^8 O3 _4 |/ s/ B2 n6 F

9 k% f) M" X4 s5 SKaggle地址:1 w" P0 u& `0 [
其中,只采用了≥1024X2014的图像。在GTX 1080 TI上的训练时间大约是5天。; x E$ K F D5 s% ~; J. d8 K a
不过作者表示,该模型试图生成人脸的部分并不是很完美,但其它部分还算可以。3 b& q5 @# ~1 k4 T
例如下面两个随机向量之间的快速隐空间差值(latent space interpolation):: J1 C9 Q! K& R2 z# ^1 V

" }* ^1 i0 Z8 F! e同时,作者也给出了训练好的模型和Jupyter Notebook地址:
0 v8 @0 T2 s" }: d- u# Vhttps://mega.nz/#!PsIQAYyD!g1No7FDZngIsYjavOvwxRG2Myyw1n5_U9CCpsWzQpIo
) ^+ S7 f8 t( v _6 z8 Q: W/ |英伟达“造假”黑科技:StyleGAN简介 ; k3 h4 S% c2 w+ f
StyleGAN是英伟达提出的一种用于生成对抗网络的替代生成器体系结构,该结构借鉴了样式迁移学习的成果。新结构能够实现自动学习,以及无监督的高级属性分离(比如在使用人脸图像训练时区分姿势和身份属性)和生成的图像(如雀斑,头发)的随机变化,并能在图像合成和控制上实现直观化和规模化。' ?! `# _* u8 r1 {
新模型在传统的分布质量指标方面实现了提升,并且更好地解决了潜在的变量因素。为了对插值质量和分解进行量化,本模型提出了两种适用于任何生成架构的自动化新方法。以及一个新的、高度多样化、高质量的人脸数据集。9 ~' r$ z! Z2 c9 _" P& W$ ~5 K
英伟达研究人员在论文中写道,他们提出的新架构可以完成自动学习,无监督地分离高级属性(例如在人脸上训练时的姿势和身份)以及生成图像中的随机变化,并且可以对合成进行更直观且特定于比例的控制。
. L- l1 u8 i. \4 C) z: V6 V# [% y换句话说,这种新的GAN在生成和混合图像,特别是人脸图像时,可以更好地感知图像之间有意义的变化,并且在各种尺度上针对这些变化做出引导。8 |4 q$ \ t0 g2 a
例如,研究人员使用的旧系统可能产生两个“不同”的面部,这两个面部其实大致相同,只是一个人的耳朵被抹去了,两人的衬衫是不同的颜色。而这些并不是真正的面部特异性特征,不过系统并不知道这些是无需重点关注的变化,而当成了两个人来处理。
2 J" A1 W5 |! c' j+ F
3 ]+ e9 g$ F- o5 m6 Z在上面的动图中,其实面部已经完全变了,但“源”和“样式”的明显标记显然都得到了保留,例如最底下一排图片的蓝色衬衫。为什么会这样?请注意,所有这些都是完全可变的,这里说的变量不仅仅是A + B = C,而且A和B的所有方面都可以存在/不存在,具体取决于设置的调整方式。1 B" c1 E1 p5 z1 y$ I$ x4 x
下面这些由计算机生成的图像都不是真人。但如果我告诉你这些图像是真人的照片,你可能也不会怀疑:
! o2 a8 |" b0 j6 V) \' S
+ _& O* n! c$ k% x) m- u效果如此出众的StyleGAN一经开源就成了“网红”,由该模型生成的假脸几乎完全可以乱真,即使是放大了仔细看,大多数情况下依然难以分清,其难度堪比“大家来找茬”。
5 R+ l! K7 ^- z6 C6 w5 l6 B, A为此,有人甚至专门写了一篇指南,专门指点那些有兴趣“鉴脸”的人,该文总结出了StyleGAN生成假脸的几处常见的破绽。不过,这些破绽大部分是在图片背景、配饰、衣物等附加元素上找到的,面部本身的破绽虽然也有,但显著性和易见性都要下降一个档次。
# l# z0 I( I: f' K8 G* t ~& r! G: R$ j) t9 k, F7 j% G
上图的StyleGAN生成图像在面部上几乎无破绽,但左右耳的首饰不对称) a9 ]. s$ J" w) P& h1 }6 ~
被玩坏的StyleGAN:从“假人脸”到“假房子”,生成世间万物 StyleGAN生成假脸图像的逼真程度令人惊艳,但这么厉害的模型只能用来生成假人脸吗?显然不是。很快,越来越多的吃瓜群众发现了StyleGAN的更多潜力。比如生成假的出租房。
! x+ C( R. ^- [( r V前不久,就有好事者利用StyleGAN生成了一个假的Airbnb租房网站,上面从房源图片、地址、再到租客的评论和打分没有一个是真实的,全是StyleGAN的杰作。3 w1 D$ p4 g7 B2 |

7 r5 W: D: O5 I. }' @9 R假房生成网站 thisairbnbdoesnotexist.com,每次刷新都会出现一个虚假的房源,网页上的照片、文字描述、发布人头像均由计算机自动生成。由于使用的模型非常简单,文字描述多有不合逻辑之处,但乍看上去还是能以假乱真。来源:假房生成网站 thisairbnbdoesnotexist.com / U. i7 Q* i! j- W

5 Y7 \/ O* G, p, D1 q! IAirBNB网站截图,避免广告嫌疑做了虚化处理
, Z; ?7 W, m) e" a1 J6 K, p* K: W根据Christopher Schmidt在Twitter的介绍,生成每个网页用一块GPU只需0.5秒,相关代码开源,你可以在这里找到:
' N+ V6 u1 R$ e; s/ A% y7 d/ ^这个“假房源”网站是怎么做的? 网站上的图像当然由著名的图像生成模型StyleGAN生成,文本则来自在一个AirBNB列表(文末链接[1])上训练的语言模型,主要基于Tensorflow的“Predict Shakespeare with Cloud TPU”(https://t.co/sJoUbwZ2UL)。: @0 W! W; L0 c7 K. P% z
9 y, b' |5 p8 @4 f$ P, n# e
这个文本生成模型似乎是个两层的前馈LSTM(文末链接[2]),主要是用它来独立训练生成房屋列表中的标题、描述、房主姓名、地理位置等,然后组合生成综合列表。/ j- h9 C' C5 r" W5 M. {5 Q/ E
每个模型的输出都是预先生成的,每5秒创建一个新的列表(网页)。唯一的修改是根据文本稍微调整序列大小。 , z# g! x, W7 V2 U8 `+ z* _2 F
下面是Christopher Schmidt在Twitter上对这个“假房子”网站的简要介绍,包括灵感来源、大致结构、构建页面使用的框架和训练方式等。
/ u2 {" T4 ]8 E5 _8 D/ R* g本页面在开发时主要使用以下几种模型:在构建图片和卧室照片时使用StyleGAN,一些文本网络的训练使用了tf.keras来生成地点名称、房主姓名、标题和描述。此外还使用了Tensorflow的实例代码)) j! m+ D: j% n6 P5 M
所有的数据训练过程都在谷歌的Colab上完成,该平台上可以免费使用GPU和TPU来训练和生成数据。
0 B$ U* ^! M) J9 U
0 k" k/ M+ Q& P2 S每个模型都可以做出独立的预测,所以会经常出现各部分信息不相配的情况,比如描述信息中说某套房子有一间卧室,但列表信息中显示有四件卧室,或者外观和名字排列不齐等。3 f9 {4 l1 `* k9 w( f; g6 g. ?" n
但总的来看,这个过程是比较理想的,我在这个学习过程中也获得了不少乐趣,进一步掌握了一些模型的使用技巧。这里要感谢Colab平台,更感谢StyleGAN社群的出色研究成果。
7 a$ U. m+ x5 d V& d: q6 P" F
" S: g3 F5 g/ t* Q有了这个思路,应用方向什么的就不用愁了,基于StyleGAN模型的假简历、假食物、假猫咪等等如雨后春笋一样不断涌现。甚至有人把这些“造假成果”汇总到了一个网站,叫“这些东西都不存在”。" }+ L0 H8 u& I5 A) b) V' x5 {
这样看来,StyleGAN已经火到了几乎要被“玩坏”的程度。未来再出现什么样的假货,可能已经不取决于模型本身,而是程序员们的脑洞了。
" ~: U% h0 w9 O. I介绍了这么多,大家是不是也想玩一玩StyleGAN呢?打开下方链接,快去尝鲜吧!
2 p* Q8 y) l& J/ K参考链接:
7 T8 I5 L8 J9 o g【2019新智元 AI 技术峰会精彩回顾】
* }. v' a% ^, m- F2019年3月27日,新智元再汇AI之力,在北京泰富酒店举办AI开年盛典——2019新智元AI技术峰会。峰会以“智能云•芯世界“为主题,聚焦智能云和AI芯片的发展,重塑未来AI世界格局。: _! ] g. v: t% v( A `
同时,新智元在峰会现场权威发布若干AI白皮书,聚焦产业链的创新活跃,评述AI独角兽影响力,助力中国在世界级的AI竞争中实现超越。2 \! ]% k0 I2 _0 P. ?* S9 y2 m
# i# h+ P! W* }
* d2 F% @+ q4 Z) E$ }' a0 m来源:http://www.yidianzixun.com/article/0LgHwMRr
. G3 f& W/ D2 R i* p, i2 O免责声明:如果侵犯了您的权益,请联系站长,我们会及时删除侵权内容,谢谢合作! |
本帖子中包含更多资源
您需要 登录 才可以下载或查看,没有账号?立即注册
×
|