【实战】轻轻松松使用StyleGAN(七):用StyleGAN Encoder为女朋友制作美丽头像

在上一篇文章里,我们下载了StyleGAN Encoder的源代码和相关资源,可以实现对真实人脸特征码的提取,内容请参考:

https://blog.csdn.net/weixin_41943311/article/details/103030194

那么,针对我们感兴趣的话题,如何用StyleGAN Encoder为女朋友制作美丽头像呢?这里的美丽头像,一定不能等同于美图秀秀和抖音里面的美颜、滤镜、瘦脸,这样才能显示出Python程序员的与众不同,那么应该怎么做呢?

(1)先找到女朋友喜爱的明星,提取明星照片的特征码,比如:

奥黛丽·赫本原图                                 对齐的头像原图                  用特征码生成的赫本头像

       

可以看出,用特征码生成的赫本头像,与头像原图相当接近,尤其是面部细节几乎一模一样,但是首饰的细节未能生成,包括:公主皇冠、耳坠等,也许今后哪一天能找到一个补丁,可以逼真地生成首饰和衣饰的细节吧。

林允儿原图                                         对齐的头像原图                    用特征码生成的林允儿头像                

   

  • 9
    点赞
  • 23
    收藏
    觉得还不错? 一键收藏
  • 13
    评论
基于StyleGAN的人脸老化算法框架主要包含两个部分:生成老化图像的网络和预测老化的网络。整体网络结构如下: 1. 生成老化图像的网络 首先,通过一个encoder网络将输入的原始人脸图像转换为其潜在空间表示f。然后,这个向量经过一系列的StyleGAN发生器网络,生成一个老化后的图像。 具体来说,先将f通过多层全连接网络映射为一个128x4x4的向量,并进行Reshape,得到一个4x4的feature map。接着,通过一系列的StyleGAN模块来生成一张高分辨率的老化后图像。每个模块由3个部分组成:Style Modulation,AdaIN和Convolution。 Style Modulation:利用前面encoder得到的潜在向量f来对特征图进行变换,用以对每一层的特征进行尺度缩放和位移,使特征不断地变化。 AdaIN:把标准化后的f输送到一个全连接层,再经过ReLU激活函数,得到g和h两个向量。g的每个元素都对应各个通道特征映射的缩放因子,h则是偏移因子。通过g和h,我们可以控制一个batch内,每个feature图(包含若干个通道)的平均值和方差。这样,每张生成的图像可以通过调整g和h来控制视觉风格的变化。 Convolution:卷积操作用来在每个Style Modulation和AdaIN之后,处理特征图,获得输出。 2. 预测老化的网络 预测老化的网络是用来监督生成老化图像的网络,通过对比生成的老化图像和真实老化图像之间的相似度,确定网络的优化方向。 这一部分是一个基于CNN的分类器,用来分类输入的图片分别属于“年轻”、“年老”和“非人脸”三类。网络的输入为原始的人脸图像,通过一系列卷积、池化和全连接层,最终得到一个预测概率向量。 整个框架的训练过程是通过对抗性训练实现的。训练过程从一个随机向量开始,在每个迭代中优化生成网络和预测网络,使得生成网络生成的图像可以欺骗预测网络,同时预测网络可以正确地将“年轻”、“年老”或“非人脸”的标记赋值于生成的图像。 在训练完成后,我们可以将预测网络部署到生成老化图像网络的前端,使用预测网络对生成的老化图像进行评估,以评价模型的性能。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 13
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