这个假发太逼真!GAN帮你换发型,alignment步骤去掉生硬感
来源:GitHub 编辑:小匀
【新智元导读】Tony老师不能给你的,GAN给你!这个名为Barbershop的技术能帮你尝试不同的发型和发色。重点是:新发型与您的头完美融合,完 全 没 有 生 硬 感!
理发总是差强人意?
醒醒吧!有些发型不适合你!
如果能在理发前,把这几个发型「试用」就好了。
Tony老师无法给你的,GAN给你。
最近,一个基于GAN的项目Barbershop火了!它不仅可以改变你的头发风格,还可以从多个图像实例中改变颜色。
重要的是,不同于一般的换头发AI,这次的效果让你的脸与新头发完美融合。
一头逼真的「假发」:发型、颜色任你选
把这三样东西交给算法,你就能看到自己的发型合不合适。
1 自己的照片;
2 一张你想拥有的发型的人的照片;
3 另一张你想尝试的头发颜色的照片(或同一张)
例如,我的原生发型是这样的:
来试验一下别样的发型:
换个直发试试?
颜色太显老?换一个试试!
怎么样是不是新发型与您的头完美融合?再也没有生硬感?
为了确定这个项目符合大众审美,作者还对396名参与者进行了用户研究。答案是:GAN给出的解决方案在95%的情况下都是他们首选的!
量化结果
这是如何做到的?
去掉生硬感!在GAN中加入对齐(alignment)步骤
GAN架构可以学习将一个图像的特定特征或风格移植到另一个图像上。虽然它并不是一项新技术了,但是关于它的应用一种充满新鲜劲儿。
但也有一些细节给GAN的应用带来挑战,譬如:光线的差异带来了遮挡,在两张照片中的头部可能会出现不同,会带来生硬感。
通常情况下,这些使用GANs的技术会试图对图片信息进行编码,并在此编码中明确识别与头发属性相关的区域来切换它们。但只有当两张照片的拍摄条件类似时,这种换头发的效果才会很好——不过,这很难。
因此,作者不得不想点办法。
首先,将换头发分为两个层级:结构(structure)和外观(appearance)。
结构是指头发的几何形状——卷曲的、波浪的还是直的。外观指的是深度编码的信息,包括头发颜色、纹理和照明。
这里的目标是将特定图片的发型和颜色移植到自己的图片上,同时按照图片的光照和属性改变结果,使其一次就能达到令人信服的真实效果,减少步骤和错误来源。
StyleGAN2架构
为了实现这一目标,作者在GANs中增加了一个缺失但必不可少的对齐(alignment)步骤。
事实上,它不是简单地对图像进行编码和合并,而是按照不同的分割掩码稍微改变编码,使两幅图像的潜伏代码更加相似。正如前面提到的,它们都可以编辑头发的结构和风格或外观。
我们知道,GANs使用卷积对信息进行编码。这意味着它使用卷积核来降低每一层的信息规模,并使其越来越小,从而迭代地去除空间细节,同时对所产生的输出的一般信息给予越来越多的价值。
这些信息是从不同的图像中提取的,但现在,如何合并这些信息,才使结果看起来逼真些呢?
流程示意图
这是用图像的分割图完成的。更准确地说,是在我们的目标和参考图像的对齐版本的基础上,生成这个想要的新图像。参考图像是我们自己的图像,而目标图像是我们想要应用的发型。这些分割图告诉我们图像包含什么以及它在哪里,头发、皮肤、眼睛、鼻子等。
分割图
利用这些来自不同图像的信息,他们可以在将图像发送到网络进行编码之前,使用基于StyleGAN2的改良架构,按照目标图像结构对齐。
然后,对于外观和光照问题,他们从目标图像和参考图像中找到这些外观编码的适当混合比例,用于相同的分割区域,使其看起来尽可能的真实。
对比一下就知道效果:左是没有对齐的结果,右是本文的方法。
是不是顺眼很多?
当然,这个过程有点复杂,具体细节都可以在论文中找到。
但请注意,就像大多数GANs的实现一样,他们的架构需要被训练。在这里,他们使用了一个在FFHQ数据集上训练的StyleGAN2基础的网络。然后,由于他们做了许多修改,正如刚才讨论的,他们用198对图像作为发型转移的例子,第二次训练他们修改后的StleGAN2网络,以优化模型外观混合比例和结构编码。
Fail examples.
—完—
欢迎点赞~ 关注 新智元 及时了解人工智能新动态~
- 免责声明
- 本文所包含的观点仅代表作者个人看法,不代表新火种的观点。在新火种上获取的所有信息均不应被视为投资建议。新火种对本文可能提及或链接的任何项目不表示认可。 交易和投资涉及高风险,读者在采取与本文内容相关的任何行动之前,请务必进行充分的尽职调查。最终的决策应该基于您自己的独立判断。新火种不对因依赖本文观点而产生的任何金钱损失负任何责任。