|
|

$ M. K5 d+ r7 l- L 新智元原创
0 K/ z, @. w3 a【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。4 G9 s2 [3 B/ i% Q6 Q
; X% a& W) C& L4 o0 G8 P9 Z1 Q人人都能当抽象派画作大师了! J- M; J- j& K+ H6 a) x, m% Y' `
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。/ q- B, a9 V- ?* n: ^7 w

3 \0 t3 }' E4 ?' M/ s1 f' ~爱德蒙·贝拉米的肖像
, e! T1 _* W5 r4 ?今天,Reddit上一位网友利用StyleGAN训练生成了999幅抽象派画作!
: }8 N. X" g3 }1 f
( `) ]0 R7 |- }生成的其中一幅画作
0 _ }9 S: E+ G$ {4 q r这项工作使得其他网友们羡慕不已:0 w5 ^5 u# b! Z U& j
# I5 |8 b2 I: X4 H3 d9 n( K
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。) `. [6 g* k; v
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。+ ~; |! }: F& @+ v- J; r- [/ _/ i

5 {4 @* N ^' `6 IReddit地址:7 h# q/ H4 c% d
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。
& o: a; O6 V d# [2 ^0 a& E4 c' k* ~
; ^4 Q) A! g5 `7 ?3 k英伟达StyleGAN GitHub官方地址:
9 F$ t: H W J/ c6 s) V- \5 u7 T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。
0 \: W2 I4 W; Y$ E& U+ D8 L* f9 L2 b
( E3 J( W, S( w4 AKaggle地址:& N4 @; Q* m2 m
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。
v: k b1 _ v( `& ^5 [* X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。
% M! b: c/ U7 X; d; ~0 t6 M! o例如下面两个随机向量之间的快速隐空间差值(latent space interpolation):
5 [9 r& \- r% Z" I 3 m% }: y4 o0 z$ a- A, W4 f2 }
同时,作者也给出了训练好的模型和Jupyter Notebook地址:
3 V1 ?1 T9 p3 \) ~# M) I/ M% Hhttps://mega.nz/#!PsIQAYyD!g1No7FDZngIsYjavOvwxRG2Myyw1n5_U9CCpsWzQpIo
0 U1 V; W1 k. B英伟达“造假”黑科技:StyleGAN简介 - i( l8 W9 j$ y; z
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。8 w3 y+ z( e3 ]% H( l
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。
" R: Q* I( j1 x1 m2 P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。 q j- a9 S1 a
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。
. X. e y( J& b3 ]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。1 }, x9 v* L* h! P
: y% G3 }; O: j2 [) e2 H
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。/ g; M. r) S5 H$ ]3 V
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:/ q2 f& m2 z" R3 _' G" O5 S/ M
& ^5 @, n" O- |- s) H
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”。8 U* e* W1 e! B* b! H8 K8 ~
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。
+ C, ~1 J! `' y1 B& J/ M& a
9 i; n$ J7 J* L, ]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
4 T! P8 Y ~' x3 C0 t4 @- _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。
0 A& s% r0 M3 x( }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。+ w# W, O, |. l& Z

' D7 G" x& J! P# z/ u, U0 d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
9 n- ]* E& S, n6 Q0 i
9 }" j! {2 U) Z& W! M4 dAirBNB网站截图,避免广告嫌疑做了虚化处理/ f9 g9 W7 D& f7 p+ M f
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:9 K- ^ y# |( f1 a6 n/ `1 o5 }+ l( U% {
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)。
7 R6 R+ Y: v) c" w9 k, u& E8 D6 `1 l( T4 s
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。
! C3 X I# K* {7 ]$ q, u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。
6 b- t/ E3 A, ]& X1 ~3 X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。
) w! k! M2 b6 [* n. _! i! [/ C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)
; y( i; ~3 Z* G& H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。
% y; R }/ C) L- k, k9 Q w/ L {% Z- X, C/ z) r9 p+ z
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。0 Q4 j- D$ Y) W% i
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。3 i: s6 S% ^$ {: [) e8 W- G

* W5 D8 y- N% ^7 o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”。, K# z5 Z/ f5 a; ]( O1 X
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。
7 g5 C& G" t$ w* t; W) J& a1 g, ^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!( @5 O) {6 ~6 D$ x+ F
参考链接:0 e; D `5 F# ~0 c1 D5 X# W8 S/ Z8 Y
【2019新智元 AI 技术峰会精彩回顾】
" T7 y, Q" ^: }' D! C2019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。
* I f) w; a; P3 ?& ]3 {- x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。
/ l! ~5 J9 I2 k! _9 W
1 O0 I* ~5 C/ q' v+ x( `9 F+ s9 Z: P: S
. W5 f& w6 n1 q" S9 \9 ^- }& [* y来源:http://www.yidianzixun.com/article/0LgHwMRr
1 V9 x5 x& H! v% a/ q# ]5 E) W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
×
|