|
|
( S. ]. I9 Z! ?9 A( I" n! S
新智元原创 + @9 A {( g. F' |4 ~$ s
【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。
+ v. [- ?* s! y& _! X, ?( D# x
& X" Q. ^: M# q人人都能当抽象派画作大师了!
# g7 O7 j; y0 C8 s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。9 ~1 h' c, K- b X$ H
: q+ A/ b% m, y$ e
爱德蒙·贝拉米的肖像
2 N& q9 H' H2 p5 q1 [4 G7 V9 S j今天,Reddit上一位网友利用StyleGAN训练生成了999幅抽象派画作!
k. V- B: m+ j% t- O) x
( a# W2 J& p7 [- n, a8 y2 }3 T7 r4 X生成的其中一幅画作* Y* V' ~. o5 F7 M) M
这项工作使得其他网友们羡慕不已:
5 g; S4 p4 v9 f7 j* S; y& y" S 4 S# x6 T0 F6 S: x
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。% }( J6 V1 r* A2 g) R% E8 R; [
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。
: m1 b2 N' t6 t% G7 I
8 @/ Q# I$ s% u2 D& w3 h FReddit地址:
+ {1 w* @0 B5 J& S1 g m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' _9 U+ e, Q & l; q3 X% U$ E" V( B3 G2 z/ V
英伟达StyleGAN GitHub官方地址:- [( y( |7 H# b0 h t0 j4 j) Q; d
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。" w4 n; o e1 ]9 U7 V
@, n% a) g* b9 I% k3 F# y
Kaggle地址:
9 @( E1 K* d! e6 W9 N/ ^, ?5 c* H6 ^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。4 |0 E6 `: z9 @4 i' \
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。
4 i. P% {) N/ B7 ~/ H! v例如下面两个随机向量之间的快速隐空间差值(latent space interpolation):# Q- T( T% t! U& o/ J1 E: g

3 x7 c/ o3 t2 u3 g& R) w( R- K5 W同时,作者也给出了训练好的模型和Jupyter Notebook地址:
$ {2 s9 n1 h. Yhttps://mega.nz/#!PsIQAYyD!g1No7FDZngIsYjavOvwxRG2Myyw1n5_U9CCpsWzQpIo
& q& l/ \% V0 k+ |0 u& _% _英伟达“造假”黑科技:StyleGAN简介 & { F& F4 N+ f( N3 {6 W
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。
: E0 A' q! z* N6 {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。, W: Q* a; [& ~3 [7 A( Q; O. T [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。
]. F1 F$ b0 l% 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。
$ M: R% Q" @1 p' u* ]' k X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。
* _5 u& x" |" s+ ~ - Z5 H7 h, T( b8 |+ K, n$ \3 c' W
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。# Q5 l- V7 ?$ X" V. c9 A- Q- R
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:1 k, G8 s5 @2 w& {! \

o( k" U. H8 D0 O9 A6 M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”。
0 b5 g4 a' }9 Z& d: ^+ G5 @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。0 @/ k0 `2 ]1 H

2 o' M9 h6 H4 F) A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9 ~5 j" x% X0 U& m
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。$ U$ P2 M, |' Q7 `9 V7 ]9 n- h( ~
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。) a) [8 M/ |# Z% a: h
: k- \# b" V( H O) q& P- `
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
4 `& e+ [ k& A) V3 w; j7 _+ g
$ Y9 d/ s1 G, Z$ z" z0 F5 qAirBNB网站截图,避免广告嫌疑做了虚化处理$ N- u% C5 K9 P1 ^1 C
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:+ I3 M; ^0 G7 C
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)。
8 V. @5 v& n! Z* U3 T) n' V. u# r( z3 i/ d
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。+ b, h9 h; e" l( u }% J
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。 " |: I6 b( V3 e2 z* \$ 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。& y! u) K$ \' c7 R9 ` Y9 \- k
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)% S& |+ Y% a3 \& 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。
2 @2 _7 p7 N1 O3 m+ q ' |/ S7 O$ j8 z# }. c. e$ {
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。
6 S. y9 {/ y2 ]- R- u# S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 P0 e( B g9 v* U. N; Y. K
3 ^* _; J, q7 y4 |$ `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”。
- W/ [% @( l o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。+ W/ _( \$ X/ j4 t2 M+ K. c8 K
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!" ?/ t) D7 R6 n* E# W
参考链接:
6 f+ u" m6 l+ ]2 S0 Y【2019新智元 AI 技术峰会精彩回顾】% \* z, F. l7 W* C; t
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。
4 c* k! A5 f2 n+ a6 }' m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。0 V9 q) x2 `. w* I) J/ L
0 o8 H6 w2 b0 p; S6 }& g/ L- A2 q' _6 H2 G# ~
来源:http://www.yidianzixun.com/article/0LgHwMRr- N k% g% H4 I @/ j$ ^
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
×
|