AutoEncoder实现人脸渐变

一、前言

今天来分享如何从一张人脸自然地变换到另一张人脸，或者从年轻慢慢变老，使用AutoEncoder可以很容易实现这样的功能。

二、实现原理

AutoEncoder的目的是对输入进行编码，希望这个编码能够很好的还原原有数据。当AutoEncoder训练完成后，我们可以对任意的图像进行编码，这样就可以用一个低维的向量表示图片。

那这个低维向量有什么作用呢？假设我们使用AutoEncoder把图像编码成1024维的向量，通过修改该向量，就可以达到修改图像的效果，但是我们现在的问题是如何修改向量。

对于用人脸数据训练的AutoEncoder，如果我们胡乱修改编码向量，会导致Decoder解码的内容不像人脸。在今天的例子中，需要实现人脸的渐变效果。我们可以把人脸的渐变转换成向量的渐变，使用插值算法可以很简单的实现向量渐变。比如人脸A的向量为z1，人脸B的向量为z2，此时在z1和z2之间插值4个向量，然后把这几个向量用Decoder解码，得到的效果就是人脸渐变效果。

比如下面的图片，左上角和右下角的图像是用真实图像的向量解码出来的，而中间的图像则是通过插值算法生成的向量得到的图。即使性别不同也可以很自然的变换。

人脸渐变

三、插值算法

插值算法有很多，这里选择最简单的线性插值。就是让向量z1每一个都等距离变换，直到变换成向量z2。插值的代码非常简单，具体如下：

这里可以简单测试一下，代码如下：

输出结果如下：

可以看到，向量x1慢慢变成了向量x2。

四、代码实现

接下来就来实现人脸渐变的效果。这里需要用到之前训练的AutoEncoder模型，具体参考博客https://juejin.cn/post/7210684943252029498。 加载训练好的模型，配合插值算法实现人脸渐变。

其中FaceAutoEncoder和FaceDataset是上一篇博客实现的两个类。下面是几组生成效果：

在测试中发现，使用训练数据中的图片可以得到比较好的效果，而使用额外图片效果则差一点。