女版马斯克? 硬核AI所为，最新研发效果惊人！

作者:佚名时间:2021-01-20 03:00:00 浏览:2147

<img src="/Public/Upload/image/2021-01-20/20210120030000300324.jpg" title="1611134028374530.jpg" alt="16110387794265.jpg"/>      给人像【P】上浓密的胡须，需要多久？      这个AI只需要一秒，而且效果逼真，看不出一点破绽。      最近，一则马斯克的恶搞视频在YouTube上火了。      一位油管博主用AI【P】出了多个版本的马斯克，重点是效果惊人。比如，这个中年光头版。      恐怕连马斯克本人见了都会相信吧？      还有长发的马斯克。不得不说，女版马斯克也散发着一股女强人的气质。      这个AI是来自Adobe Research和阿卜杜拉国王科技大学（KAUST）的一项最新研发成果—StyleFlow算法。      它非常更擅长在合成图像或真实图像的基础上重新编辑面部属性。除了上述马斯克的面部毛发、年龄、性别处理外，它还可以改变拍照角度、光照、人物表情等等。       值得一提的是，StyleFlow不仅可以用于人像处理，也可以修改汽车等其他图像属性。       比如这款【特斯拉】图像可以一秒切换车身颜色。       接下来，我们来看看这个硬核AI是如何做到的？比Style还溜的AI      提到Style系列不免让人想到Style，经常关注雷锋网的小伙伴可能会了解，Style是的变种，它通过生成器和鉴别器的相互battle，也可以达到令人惊叹的面部合成效果。      而StyleFlow可以说是Style图像合成的进阶版。      研究人员在论文中称，s（如Style）在保证高质量输出的条件下，使用（语义）属性控制生成过程的选项有限。同时，由于潜在空间的纠缠性质，沿着一个属性执行编辑很容易导致沿着其他属性的改变。      因此，他们提出了基于属性条件采样（Attribute-Conditioned Sampling）和属性控制编辑（Attribute-Controlled editing）的StyleFlow。      其中，属性条件采样，是对具有目标属性的高质量真实图像进行采样；属性控制编辑，是指编辑给定图像，并使其具有目标属性，同时最好地保留源图像的特性。      从源图像开始，通过使用反向推理和一系列CNF（Continuous Normalizing Flow）功能模块的正向推理来支持属性条件编辑。      另外，需要注意的是，反向推理和正向推理是由ODE解算器通过计算时间变量上的CNF函数来解决的。      CNF（连续归一流）功能块可以作为神经网络块来实现。其中，以属性向量at为条件的学习函数，既可以可用于正向推理，也可以用于反向推理。实验结果       基于以上原理，研究人员通过使用StyleFlow对给定图像进行了属性条件采样。论文中展示了固定目标姿势下戴女性的图像（上）；面部有毛发的50岁男性图像（中）；固定姿势下5岁男孩的微笑图像（下）三类属性的抽样结果。       可以注意到采样的质量非常高，未编辑的属性在很大程度上保持不变，它验证了网络能够学习底层的语义表示，并进一步用于对图像进行语义编辑。       接下来，研究人员使用Style生成的人脸和汽车的潜在空间对StyleFlow进行了评估，并展示了对各类属性进行细粒度分离编辑的结果。       他们采用了两个评估数据集FFHQ和LSUN Car。前者是1024×1024高分辨率人脸图像数据集，由70000张图像组成，这些图像在种族、年龄和配件方面都是不同的。LSUN-Car是一个512×384分辨率的汽车图像数据集，由16185幅图像组成，这些图像在汽车姿态、颜色和类型方面有很大的差别。       在定性比较上，StyleFlow对人像角度、光照、表情、性别和年龄的处理，与现有Image2Style 、 Intece 、 Space 方法相比均表现出了一定的优越性。       在定量比较上也同样如此。下图展示了StyleFlow与其他方法在人脸分类器（Geitgey 2020）评估下得出的SOTA结果。StyleFlow在灯光、姿势、表情等属性上基本达到了最高值。       以下是在循环编辑一致性方面，StyleFlow的编辑方法在不同排列下基本保持一致（各个属性中使用了平均误差）。

143