作者:佚名
时间:2021-01-20 03:00:00
浏览:2147
|
|
<p><img src="/Public/Upload/image/2021-01-20/20210120030000300324.jpg" title="1611134028374530.jpg" alt="16110387794265.jpg"/></p><p> 给人像【P】上浓密的胡须,需要多久?</p><p> 这个AI只需要一秒,而且效果逼真,看不出一点破绽。</p><p> 最近,一则马斯克的恶搞视频在YouTube上火了。</p><p> 一位油管博主用AI【P】出了多个版本的马斯克,重点是效果惊人。比如,这个中年光头版。</p><p> 恐怕连马斯克本人见了都会相信吧?</p><p> 还有长发的马斯克。不得不说,女版马斯克也散发着一股女强人的气质。</p><p> 这个AI是来自Adobe Research和阿卜杜拉国王科技大学(KAUST)的一项最新研发成果—StyleFlow算法。</p><p> 它非常更擅长在合成图像或真实图像的基础上重新编辑面部属性。除了上述马斯克的面部毛发、年龄、性别处理外,它还可以改变拍照角度、光照、人物表情等等。</p><p> 值得一提的是,StyleFlow不仅可以用于人像处理,也可以修改汽车等其他图像属性。</p><p> 比如这款【特斯拉】图像可以一秒切换车身颜色。</p><p> 接下来,我们来看看这个硬核AI是如何做到的?</p><p><strong >比Style还溜的AI</strong></p><p> 提到Style系列不免让人想到Style,经常关注雷锋网的小伙伴可能会了解,Style是的变种,它通过生成器和鉴别器的相互battle,也可以达到令人惊叹的面部合成效果。</p><p> 而StyleFlow可以说是Style图像合成的进阶版。</p><p> 研究人员在论文中称,s(如Style)在保证高质量输出的条件下,使用(语义)属性控制生成过程的选项有限。同时,由于潜在空间的纠缠性质,沿着一个属性执行编辑很容易导致沿着其他属性的改变。</p><p> 因此,他们提出了基于属性条件采样(Attribute-Conditioned Sampling)和属性控制编辑(Attribute-Controlled editing)的StyleFlow。</p><p> 其中,属性条件采样,是对具有目标属性的高质量真实图像进行采样;属性控制编辑,是指编辑给定图像,并使其具有目标属性,同时最好地保留源图像的特性。</p><p> 从源图像开始,通过使用反向推理和一系列CNF(Continuous Normalizing Flow)功能模块的正向推理来支持属性条件编辑。</p><p> 另外,需要注意的是,反向推理和正向推理是由ODE解算器通过计算时间变量上的CNF函数来解决的。</p><p> CNF(连续归一流)功能块可以作为神经网络块来实现。其中,以属性向量at为条件的学习函数,既可以可用于正向推理,也可以用于反向推理。</p><p><strong >实验结果</strong></p><p> 基于以上原理,研究人员通过使用StyleFlow对给定图像进行了属性条件采样。论文中展示了固定目标姿势下戴女性的图像(上);面部有毛发的50岁男性图像(中);固定姿势下5岁男孩的微笑图像(下)三类属性的抽样结果。</p><p> 可以注意到采样的质量非常高,未编辑的属性在很大程度上保持不变,它验证了网络能够学习底层的语义表示,并进一步用于对图像进行语义编辑。</p><p> 接下来,研究人员使用Style生成的人脸和汽车的潜在空间对StyleFlow进行了评估,并展示了对各类属性进行细粒度分离编辑的结果。</p><p> 他们采用了两个评估数据集FFHQ和LSUN Car。前者是1024×1024高分辨率人脸图像数据集,由70000张图像组成,这些图像在种族、年龄和配件方面都是不同的。LSUN-Car是一个512×384分辨率的汽车图像数据集,由16185幅图像组成,这些图像在汽车姿态、颜色和类型方面有很大的差别。</p><p> 在定性比较上,StyleFlow对人像角度、光照、表情、性别和年龄的处理,与现有Image2Style 、 Intece 、 Space 方法相比均表现出了一定的优越性。</p><p> 在定量比较上也同样如此。下图展示了StyleFlow与其他方法在人脸分类器(Geitgey 2020)评估下得出的SOTA结果。StyleFlow在灯光、姿势、表情等属性上基本达到了最高值。</p><p> 以下是在循环编辑一致性方面,StyleFlow的编辑方法在不同排列下基本保持一致(各个属性中使用了平均误差)。</p><p><br/></p>
|
|
|
|
|
|
|
|
一周最热 _ 一周热点的美文文章 |
|