点击上方“机器学习与生成对抗网络”，关注星标
获取有趣、好玩的前沿干货！
文章：新智元 来源：GitHub 编辑：小匀
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.
具体细节参见：
GitHub地址：https://github.com/ZPdesu/Barbershop
论文：https://arxiv.org/pdf/2106.01505.pdf
参考链接：
https://pub.towardsai.net/barbershop-try-different-hairstyles-and-hair-colors-from-pictures-gans-e5138a8ee5f4
猜您喜欢：
附下载 |《TensorFlow 2.0 深度学习算法实战》
附下载 | 超100篇！CVPR 2020最全GAN论文梳理汇总！
763
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
