|
|

3 r" i0 c& |2 ~5 J. P7 `+ }5 a+ l 新智元原创 7 ]6 _6 ~% V' Q! R, V! ^
【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。
% k; ]! g; b; ~
) s g# |1 J2 Y% Y) E" ]人人都能当抽象派画作大师了!
! C3 |, Y$ p* s# X1 P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。
* ~# ]1 J2 n) n% u$ ]3 A8 [' e 4 b% n. i& Q! \9 z+ s( i& S
爱德蒙·贝拉米的肖像+ Z6 h# x, O2 B
今天,Reddit上一位网友利用StyleGAN训练生成了999幅抽象派画作!2 i# x& d8 K7 V

% S1 |2 s2 d4 O. A/ ^. C; B+ y生成的其中一幅画作
) X P* B: S; p% Z这项工作使得其他网友们羡慕不已:
* `1 Q* k# y3 i* c
( u# D5 B |# v4 E- v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 G7 i7 L, L# } @9 ~
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。4 Y2 J, h8 M' c$ e0 j

$ A" f: S' u; K. p$ e2 A S4 RReddit地址:7 d- M \3 r! w$ n: `9 ~+ 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。
0 { b3 F$ l7 V * ~# ^6 |; D; A3 F
英伟达StyleGAN GitHub官方地址:
4 [/ m* x$ ?: H0 ?* A9 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。
' E0 I" d9 Q6 e# c8 L ( |% W; C4 V& S) Q& t! r
Kaggle地址:
0 N/ V# m# d: o. 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。
: Z, C3 S N/ t; K5 S$ D5 R- P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。' {9 b7 @' f! V6 n: Z' f% k
例如下面两个随机向量之间的快速隐空间差值(latent space interpolation):, \$ x/ p$ G9 [# a5 P6 E" b

; _( l3 w. \) h# K同时,作者也给出了训练好的模型和Jupyter Notebook地址:
, v0 J X6 @( h" bhttps://mega.nz/#!PsIQAYyD!g1No7FDZngIsYjavOvwxRG2Myyw1n5_U9CCpsWzQpIo) C8 E( j" r: J9 o1 U0 c
英伟达“造假”黑科技:StyleGAN简介 / K& e+ e4 w# 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。
! ~" U; e& E& H, Z1 m2 P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。+ J* |$ B; x1 M
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。
9 w7 l* [3 X8 _5 u e- c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。# Z7 \: d. k6 `
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。- N- w* ]; I5 @. M5 H Y- b7 W

: P! W4 w) E$ a) g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。
4 G) T' i6 y. Y' Q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:
9 J& {. O# d( w: I5 P
5 L1 k# B7 r/ e$ B: M/ f$ G% x7 T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”。4 n8 H7 ~9 a. T- c m
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。
( k* U; ^ V: S( a4 \, W & N/ [- d$ d& E
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 W4 P! Q8 E% \- 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。) y2 I& e, C ]7 v- 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。6 Y' f/ \9 \+ c6 P
( d( w2 z' x t7 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
j" B2 {7 V" x6 y
4 t& n/ h, G: }) i1 ^) fAirBNB网站截图,避免广告嫌疑做了虚化处理
8 r1 O5 q' X& j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:5 r% j7 c) V1 w# T4 @4 n' X! R
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)。
* }; e: s5 m' k1 q' E
$ K2 G: A1 m% d* ?0 l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。: y/ }- k$ a. j J1 H- q
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。
- ^& b9 C' k) a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。5 p, ^, U J& I' ] k' O @/ v
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) W- Q) F" b5 Y
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。% l) P8 `( k% H! x, {: X
: M7 n' v0 G5 \! d8 ]; m
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。* L2 Y. F/ H) ^; q( x/ 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。0 E# E' j; U* |$ M

* @3 ~+ m" |; k% {! Q; W5 B& q0 W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”。% B) u# a. l; c; S u6 F5 Z% ?
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。
2 H5 b4 h @' C" N4 ^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!
7 L: L& Q# a4 Y* ^6 z参考链接: o7 c: ^4 t- s6 H( S
【2019新智元 AI 技术峰会精彩回顾】
# I1 ~3 V7 G* {! ]$ T" l2019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。$ p5 s3 I! V7 g
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。
8 w; f1 [& o, Z( V/ _3 `0 b) u) t2 t+ x& M5 i
. W3 h$ z; b1 U" W' M来源:http://www.yidianzixun.com/article/0LgHwMRr
{( K8 ^" Y/ M- m5 X' }: Q9 [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
×
|