|
|
2 U- Z9 m; N) G' O3 G$ q
新智元原创
+ n2 R: D1 O* }- }+ r& j) O【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。# d. \* y- ^& ?, Q" d" D
+ |! s. X+ e1 |+ j Y# w$ ]人人都能当抽象派画作大师了!
; g y; j* b k; t7 W2 u7 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。
5 P# j0 Z: k9 f+ v+ n
3 ?+ R' F: t) Z( w! i爱德蒙·贝拉米的肖像
# ~+ W5 `; D3 N: ]今天,Reddit上一位网友利用StyleGAN训练生成了999幅抽象派画作!
9 h) A( K2 B0 t" d
i0 s0 w5 C# @6 X6 i5 ]生成的其中一幅画作' g/ C$ [/ v' o6 _" P
这项工作使得其他网友们羡慕不已:& j, w I+ K9 f2 \. N8 Y
0 K H) q! N4 p0 R6 f
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。' F; d% ?, v; L8 W, |
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。
; Y4 o- t8 _, u/ v1 v5 A0 O
2 @8 h$ ^, n( ]6 |$ A( [, h3 T8 G" mReddit地址:+ _# c2 c. F+ F% e( e' I
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。
( B( C2 J m+ M' b; W
5 U. C3 q0 i4 \: Q `9 M* `5 ~8 v7 l英伟达StyleGAN GitHub官方地址:
4 M, D1 f" V- H0 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。
1 A) c! \6 j& }+ U5 E& t " J6 |9 o6 h9 b3 g$ c
Kaggle地址:% e# H9 M* ?! X
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。
7 G3 Z7 i6 w6 l% A9 } }$ _: b K2 n. o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。1 i7 M' J' _6 E1 H/ r, Z9 l& S
例如下面两个随机向量之间的快速隐空间差值(latent space interpolation):
& k7 t. z0 ^6 F( \& g# B4 Q & a: P& d2 P5 g! h+ |8 g
同时,作者也给出了训练好的模型和Jupyter Notebook地址:
# |! ^* ^7 S- e& T% }$ U! {https://mega.nz/#!PsIQAYyD!g1No7FDZngIsYjavOvwxRG2Myyw1n5_U9CCpsWzQpIo
. V5 s, Z$ A8 ^9 G& J7 J英伟达“造假”黑科技:StyleGAN简介 
4 X- h/ g! J$ ]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。0 w! E/ D# }, |- ~3 ^" S
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。& o! r, @3 Q; `- s, m4 F
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。( v2 x' w% G4 W( N. g& }# [
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。" K8 [ m4 V' A) L. j. Y1 Q; Y \+ j
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。
8 a* K# p, @; R- W' o1 p
* V% s; x$ S. A% V2 \6 P) L8 ~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。
L% Z* r4 e4 C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:- g8 _( {! F$ W1 j9 @ n% N& X
! Q, n5 r6 ?! G! p' L
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”。( Q# |3 R6 h" z. l; {
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。
/ d% |& Y+ v: h
7 W4 q$ ?6 \. r1 W9 ^4 b" ]" w! U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& a4 D6 t' r; A- @4 u. [ p5 h
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。
' F: b; |/ _" g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。
. S+ j$ J a. Z
7 ]* G: E# W$ o( J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
$ R( x( ]& f E1 d; p( r5 \+ o 1 F2 p E% `/ ~) e/ Q+ W
AirBNB网站截图,避免广告嫌疑做了虚化处理
' E* [: H6 Q9 e7 h' G9 f% t& m4 D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:2 |% S4 I) |& p" K7 l
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)。 l3 [: t2 f1 y
( m/ H/ W8 R! s2 Y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。$ H1 d2 u, A6 r, K0 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。
. F% @, _9 h i6 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。* j: Z8 D2 K& p3 b
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)+ u8 J# S3 j2 i% o
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。1 ~4 B% g/ N1 J9 h+ x6 e4 d

$ E- [6 c, |6 \( w4 u: {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。4 a( _4 j; ]$ _" n+ o) ?2 G8 _
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。2 Y! e# g0 r* Z

8 ]+ Q* k3 `4 Z( k5 F1 }9 s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”。' Z4 H0 J3 C3 X) M5 U2 T
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。; g* @0 O; z& h9 A
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!
3 M. W D4 H4 d, z s! p- \ L参考链接:* n% L0 d0 r' Z! ]
【2019新智元 AI 技术峰会精彩回顾】, h2 v3 j, A4 S% G
2019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。& D! y# K5 t( i7 n3 ?
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。) v. |$ Q0 N5 _
! |- J) @( ~9 w8 L0 d: Q+ C, d7 Z6 @; m4 M+ h# @1 o
来源:http://www.yidianzixun.com/article/0LgHwMRr
. H9 i5 G0 g J& n) d5 [: b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
×
|