深度学习图像处理

如今和人工智能联系最紧密的名词，可能是“深度学习”或者是“神经网络”。而它们最知名的应用领域：“人脸识别”和“无人驾驶”，都属于计算机视觉（CV）的范畴。深度学习这一波的爆发点，Imagenet比赛和Alpha Go，也都在CV范围内。可以说，正是计算机视觉任务上的巨大成功，才造就了这一波人工智能浪潮，并且AI目前最成熟的落地方向也仍是计算机视觉。

但与数字图像相关的学科，并不只有CV，还有“计算机图形学”（CG）与“数字图像处理”（DIP）。它们与计算机视觉的区别，可以用输入输出的不同来简单划分——输入图像、输出知识的是计算机视觉，输入图像、输出图像的是数字图像处理，输入知识、输出图像的是计算机图形学。理所当然的，深度学习既然能在计算机视觉上取得巨大成功，也自然应该为CG和DIP领域带来革命。之所以这两个名词与深度学习的结合不如CV频繁，是因为此前它们的需求不如计算机视觉来得迫切，并且难度也要更大。更形象的说：就如同人出生后，总得先看清、理解周围的世界，再来改造、创建属于自己的世界一样；人工智能在数字图像上的发展，也是遵循理解、改造、创作的步骤。

 

近两年来，有关深度学习在CG和DIP方向上的大众新闻其实已越来越频繁了——换脸应用Deep fake、ZAO，脱衣应用Deep nude，人脸修复应用“你我当年”；以及更偏学术一点的——人脸生成Style GAN，图像生成Big GAN，图像风格转换Cycle GAN...这其中，完全是无中生有的Style GAN和Big GAN属于计算机图形学领域，剩下的则属于数字图像处理。但从名字就可以感受到，它们都使用了深度学习技术，并且大都与“GAN”相关。那么，深度神经网络，到底是如何来改造、甚至创作图像