Google Play下载超千万!这款AI人脸风格、换脸APP

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!

来自:新智元

FaceApp的热度刚过不久,近期又有一款让你的脸秒变「迪士尼」的App火遍了全球的社交网络。

要测试「AI换脸」的效果,怎么能少了我们的老朋友LeCun。

实测效果还不错,确实有一丝丝「迪士尼」的味道了,也有人认为这是「皮克斯风」,而在软件里这个被称之为「3D卡通」。

换一张「高糊」的LeCun经典照片来试试2D卡通效果如何?

在这么低的分辨率之下,竟然还能有如此高质量的输出,作为一款「免费」的软件来说已经非常不错了。

除了「迪士尼风」,还有「文艺复兴风」,比如下面这个小编(狗头)。



有请LeCun再次登场,比刚才的2D效果感觉要好不少,气质拿捏得死死的。

不过,经过大量照片的测试,小编发现这个软件并没有像舆论中评价的那么厉害。只是偶尔有几张照片的效果还可以接受,其他大部分生成出来的看起来都很奇怪。

不知道是不是因为训练数据的缘故,官方给出的名人案例都非常惊艳。例如这个马斯克就看起来非常帅气,似乎还有一丝丝欧洲贵族的味道。

还有下面的这几位小姐姐也非常「上头」。不禁让小编怀疑用的是不是同一款软件。

这些示例从某种角度上也解释了为何能如此流行:如果你曾经见过照片中的人,在AI处理过之后基本上可以一眼认出来。

Voilà AI Artist是何方神圣?

这款名为「Voilà AI Artist」的软件,在AI算法的加持下,只需上传人像照片就能得到四种滤镜风格的图像—— 3D卡通(迪士尼风)、2D卡通、文艺复兴画作和漫画人物。

Voilà还有一个名人照片的数据库,在App上搜索就可以直接看到给名人换脸的效果。

但是,很可惜用户不能对图像进行编辑,包括调整眼睛、嘴巴或头发,改变颜色或对比度等等。

相比于还停留在实验室模型,显然已经包装好的应用程序有着简单好上手的优势,外媒更是形容这款App是像「病毒」般快速扩散。

Voilà在推出了大概三个月之后,其IOS版本在多个国家和地区的免费排行榜中夺得第一名,就打败TikTok、Instagram和Snapchat等强敌。

安卓方面,Voilà在Google Play商店的下载量已经超过量1000万次,并在26个国家和地区登上了热门排行榜前10名。

官方脸书账号在6月13日的时候发文庆祝用户量达到2000万。

神秘的幕后推手

据悉,「Voilà AI Artist」的母公司是「Wemagine.AI」,于今年一月在英国伦敦登记注册,成立不到两个月之后就推出这款App。

然而,除此以外就几乎找不到关于这家公司更详细的资料。不过,Fox Carolina表示联系到了这家公司:Wemagine.AI称他们的总部位于加拿大,但团队很小并且分散在全球各地远程上班。

根据英国的公司查询网站Company Check的数据显示,公司的创始人是Lim Eliska和Wilson Tjoa。而且两个人常居于印尼,年纪都不超过35岁。

隐私收集器「喜加一」

在有了FaceApp这个前车之鉴后,用户对这种软件的隐私条款也更加重视了,但是在这里很不幸地告诉大家,如果想尝试的话请做好心理准备,下面只是截取的一小部分。

虽然Voilà声称在该应用最后一次使用照片的24至48小时后会将照片删除,并且在隐私条款中表示不会将资料提供给第三方(但合作的除外)。

我们还对谷歌云平台进行了配置,以便在最后一次使用该应用程序后的24-48小时内删除照片以及与照片相关的信息。

其他情况下我们也可能披露您的信息:

向我们的子公司和关联公司。 

向承包商、服务提供商以及支持我们业务的第三方。

但是Voilà承认他们确实会收集用户的个人信息资料,包括浏览过的网站、Cookies、手机型号和照片等等,同时会把它们提供给合作的广告商。

这些使用数据可能包括您的互联网协议地址(如IP地址)、浏览器类型、浏览器版本、访问的服务页面、访问的时间和日期、在这些页面上花费的时间、设备标识符和其他诊断数据。

当您使用移动设备访问服务时,该使用数据可能包括您使用的移动设备类型、移动设备唯一标识、移动设备的IP地址、操作系统、使用的移动互联网浏览器类型、唯一设备标识和其他诊断数据等信息。

我们还在谷歌分析的协助下收集诸如IP地址、设备型号、屏幕分辨率和操作系统、会话持续时间和您的位置等数据。基于这些数据,我们分析您的需求和兴趣,并改进我们的服务。

当您使用免费版App时,我们将会在App内显示广告。这些广告由合作伙伴提供,并可能根据您对App的使用或您在网上其他地方的活动进行定位。

除此之外,如果不想看到广告怎么办?显然只需要付费购买会员就可以了。Voilà表示,会员可以加速照片的处理,以及免除程序内广告和导出图片上的水印。

价格方面分为一周2.49英镑(22.3元),一个月4.99英镑(44.6元),一年25.99英镑(232.3元)。

不过国内的用户可能不太需要担心这个问题,因为苹果的中国区压根就没上架。安卓用户倒是可以找到APK下载体验。

对抗生成网络

自2014年对抗生成网络「Generative Adversarial Networks」发布以来,其应用场景也越来越广泛,到现在甚至已经可以开始实现商业化应用了。

GAN是由一个生成网络与一个判别网络组成。

生成网络从潜在空间(latent space)中随机采样作为输入,其输出结果需要尽量模仿训练集中的真实样本。

判别网络的输入则为真实样本或生成网络的输出,其目的是将生成网络的输出从真实样本中尽可能分辨出来。而生成网络则要尽可能地欺骗判别网络。

两个网络相互对抗、不断调整参数,最终目的是使判别网络无法判断生成网络的输出结果是否真实。

这其中,英伟达推出的StyleGAN所生成的图像非常逼真,通过分别修改网络中每个级别的输入,它可以控制在该级别中的视觉特征,从粗糙的姿势、面部形状到精细的头发颜色。

StyleGAN生成的人脸

除了逼真的人像,StyleGAN还可以用于生成其他动物,汽车甚至房间。


其升级版StyleGAN2,则修复了伪影的问题,并进一步提高了生成图像的质量。

参考资料:

https://www.cnet.com/tech/mobile/have-you-seen-the-cartoon-app-everyones-using-on-facebook-lately-heres-what-we-know-about-voila-ai-artist/

https://www.wemagine.ai/

猜您喜欢:

等你着陆!【GAN生成对抗网络】知识星球!  

CVPR 2021 | GAN的说话人驱动、3D人脸论文汇总

CVPR 2021 | 图像转换 今如何?几篇GAN论文

【CVPR 2021】通过GAN提升人脸识别的遗留难题

CVPR 2021生成对抗网络GAN部分论文汇总

经典GAN不得不读:StyleGAN

最新最全20篇!基于 StyleGAN 改进或应用相关论文

超100篇!CVPR 2020最全GAN论文梳理汇总!

附下载 | 《Python进阶》中文版

附下载 | 经典《Think Python》中文版

附下载 | 《Pytorch模型训练实用教程》

附下载 | 最新2020李沐《动手学深度学习》

附下载 | 《可解释的机器学习》中文版

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!

附下载 |《计算机视觉中的数学方法》分享

### 关于Python实现人脸技术 #### 安装所需库 为了实现技术,需要安装特定的Python库。这可以通过`pip`工具完成: ```bash pip install opencv-python pip install dlib ``` 这些命令用于安装OpenCV和dlib两个重要的计算机视觉库[^2]。 #### 编写程序框架 下面是一个简单的Python脚本模板,展示了如何构建一个基本的人脸应用程序: ```python import cv2 import dlib from imutils import face_utils import numpy as np def align_faces(image, detector, predictor): gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY) rects = detector(gray, 1) faces = [] for rect in rects: shape = predictor(gray, rect) shape = face_utils.shape_to_np(shape) (lStart, lEnd) = face_utils.FACIAL_LANDMARKS_IDXS["left_eye"] (rStart, rEnd) = face_utils.FACIAL_LANDMARKS_IDXS["right_eye"] leftEyePts = shape[lStart:lEnd] rightEyePts = shape[rStart:rEnd] leftEyeCenter = leftEyePts.mean(axis=0).astype(int) rightEyeCenter = rightEyePts.mean(axis=0).astype(int) dY = rightEyeCenter[1] - leftEyeCenter[1] dX = rightEyeCenter[0] - leftEyeCenter[0] angle = np.degrees(np.arctan2(dY, dX)) - 180 desiredLeftEye=(0.35, 0.35) desiredFaceWidth = image.shape[1] desiredFaceHeight = image.shape[0] eyesCenter = ((leftEyeCenter[0]+rightEyeCenter[0])//2, (leftEyeCenter[1]+rightEyeCenter[1])//2) M = cv2.getRotationMatrix2D(eyesCenter,angle, scale=1.0) rotated = cv2.warpAffine(image,M,(desiredFaceWidth,desiredFaceHeight)) faces.append(rotated) return faces if len(faces)>0 else None detector = dlib.get_frontal_face_detector() predictor = dlib.shape_predictor('shape_predictor_68_face_landmarks.dat') imageA = cv2.imread('faceA.jpg') imageB = cv2.imread('faceB.jpg') alignedFaces = [] for img in [imageA,imageB]: alignedImg = align_faces(img,detector,predictor)[0] alignedFaces.append(alignedImg) # 假设已经实现了swap函数来进行实际的部替操作 swappedImage = swap(alignedFaces[0], alignedFaces[1]) cv2.imshow("Swapped Face", swappedImage) cv2.waitKey(0) cv2.destroyAllWindows() ``` 这段代码首先定义了一个名为`align_faces()`的功能函数,该函数接收输入图片以及检测器和预测器对象作为参数,并返回经过校准后的部图像列表。接着初始化了面部探测器(`detector`)和形状预测器(`predictor`)实例。随后读取两张待处理的照片并调用上述方法获取对齐后的人脸数据。最后假设有现成的方法可以执行具体的逻辑,在此仅展示界面显示部分的结果。 请注意,这里假设存在一个未给出具体实现细节的`swap()`功能负责真正的过程;此外还需要提前准备好预训练好的模型文件如`shape_predictor_68_face_landmarks.dat`以便能够正确识别面部特征点位置。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值