计算机视觉

这篇文章本身并不是关于一项新技术。相反，它是关于Gans的一个新的、令人兴奋的应用。事实上，您看到了标题，它是？euro™t Clickbait。这种人工智能可以转移你的头发，看看它会是什么样子，然后再承诺改变。我们都知道，即使你想改变发型，也可能很难。嗯，至少对我自己来说，我多年来习惯了同样的发型，告诉我的理发师™œ和上次一样，每三四个月就剪一次�，即使我™我想换个发型。我就是不能承诺，怕它看起来怪怪的，不寻常的。(™)当然，这一切都在我们的头脑中，因为我们是唯一关心我们理发的人，但对于我们中的一些人来说，这个工具可能会真正改变游戏规则，帮助我们决定是否致力于这样的改变，并对我们的发型有很好的洞察力。尽管如此，这种在猜测之前就能看到未来的时刻还是很少见的。即使它不是完全准确的，它仍然是相当酷的欧元™有一个很好的近似的东西，像一个新的发型可能是什么样子，减轻了我们的一些压力，尝试新的东西，同时保留了令人兴奋的部分。当然，与更有用的应用相比，理发非常肤浅。尽管如此，这仍然是朝着看到未来欧元œ使用人工智能的欧元�迈进了一步，这是相当酷的。事实上，这项新技术在某种程度上能让我们预测未来，即使这只是我们理发的未来。(™)但在深入研究它的工作原理之前，我很想知道您对此有何看法。在任何其他领域：您希望看到哪些其他应用程序使用人工智能来展望未来的欧元œ？�？

它不仅可以改变你的发型，还可以改变多个图像示例中的颜色。基本上可以为算法提供三个方面：

结果令人印象深刻。如果你不相信我的判断(根据我的艺术水平我会完全理解)，他们还对396名参与者进行了一项用户研究。他们的解决方案在95%的情况下是首选的！当然，如果这似乎太令人难以置信，你可以在下面的参考文献中找到关于这项研究的更多细节。

正如你可能怀疑的那样，我们在这里玩的是脸部游戏，所以它使用的过程与我以前报道的论文非常相似，将脸部改变为卡通或其他风格，都使用Gans。由于非常相似，我将让您观看我的其他视频，在这些视频中我深入解释了GAN是如何工作的，并且I？uro™将重点介绍这种方法的新特性以及为什么它工作得这么好。the past papers I covered

GAN架构可以学习将一幅图像的特定特征或样式转置到另一幅图像上。问题是，它们通常看起来不真实，因为两张照片中的照明差异、遮挡，甚至只是头部的位置不同。所有这些小细节使得这个问题非常具有挑战性，会在生成的图像中造成伪影。这是一个简单的例子来更好地直观地描述这个问题，如果你从一张在黑暗的房间里拍摄的照片中拿出某人的头发，并试图在白天把它放在外面，即使它完美地换位在你的头上，它看起来仍然会很奇怪。通常，这些使用GAN的其他技术尝试对图片进行编码-欧元™信息，并在此编码中显式地识别与头发属性相关联的区域以切换它们。当这两张照片是在相似的条件下拍摄时，效果很好，但由于我刚才提到的原因，它在大多数情况下看起来不会是真的。(™)然后，他们不得不使用另一个网络来修复因合并而导致的重新照明、洞和其他奇怪的人工制品。因此，这里的目标是将特定图片的发型和颜色转置到您自己的图片上，同时更改结果以跟随图片的光线和属性，使其同时具有说服力和真实感，从而减少错误的步骤和来源。

如果最后一段不清楚，我强烈建议您观看本文末尾的视频，因为还有更多的视觉示例可以帮助您理解。

为了实现这一点，朱培浩等人。向Gans添加了一个缺失但必不可少的对齐步骤。事实上，它不是简单地对图像进行编码和合并，而是在不同的分割掩码之后略微改变编码，以使来自两个图像的潜在代码更相似。正如我提到的，它们都可以编辑头发的结构和样式或外观。

当然，这里的结构是头发的几何形状，告诉我们它是卷曲的、波浪形的还是直的。™的头发是卷曲的、卷曲的还是笔直的。如果你看过我的其他视频，你已经知道™使用卷积对信息进行编码。这意味着它使用内核缩小每一层的信息，并使其越来越小，从而迭代地删除空间细节，同时为结果输出赋予越来越多的一般信息价值。像往常一样，这种结构信息是从GaN的早期层获得的，所以在编码变得太普遍并且编码得太好而不能表示空间特征之前。

外观是指深度编码的信息，包括头发的颜色、纹理和光照。您知道从不同的图像获取信息的位置，但是现在，他们如何合并这些信息并使其看起来比以前的方法更逼真呢？

这是使用来自图像的分割图来完成的。更准确地说，基于我们的目标图像和参考图像的对齐版本来生成想要的新图像。参考图像是我们自己的图像，目标图像是我们要应用的发型。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、鼻子等等。

使用来自不同图像的该信息，他们可以在将图像发送到网络以使用改进的基于StyleGAN2的架构进行编码之前按照目标图像结构对准头部。我已经讲过很多次了。这种对齐使得编码信息更容易进行比较和重建。

然后，对于外观和光照问题，对于相同的分割区域，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，使其看起来尽可能真实。如果没有左栏的对齐和右栏的方法，结果会是什么样子的？™是这样的：在左栏没有对齐，在右栏没有他们的方法。

当然，这个过程有点复杂，所有的细节都可以在参考文献中链接的论文中找到。请注意，就像大多数Gans实现一样，他们的体系结构需要经过培训。在这里，他们使用了一个基于StyleGAN2的网络，该网络是在FFHQ数据集上训练的。然后，由于他们做了许多修改，正如我们刚才讨论的那样，他们使用198对图像作为发型转换示例来第二次训练他们修改后的StleGAN2网络，以优化™模型对于外观混合比率和结构编码的决策。

此外，正如你可能预料的那样，仍然有一些不完美的地方，比如他们的方法无法对齐分割面具或重建人脸。尽管如此，结果还是非常令人印象深刻的，他们公开分享这些限制是很棒的。

正如他们在论文中所说，他们的方法的源代码将在论文最终发表后公开。官方GitHub回购的链接在下面的参考中，希望它能很快发布。

感谢您的阅读!

观看视频

来我们的不和谐社区和我们聊天吧：一起学习人工智能，分享你的项目，论文，最好的课程，寻找Kaggle队友，等等！Discord community: Learn AI Together

如果你喜欢我的工作，想要了解最新的AI，你绝对应该在我的其他社交媒体账号(LinkedIn，Twitter)上关注我，订阅我的每周AI时事通讯！LinkedIn Twitter newsletter

来支持我：

• 支持我的最好方式是成为这个网站的成员，或者如果你喜欢我在YouTube上的频道，就订阅它。
• 在财务上支持我在Patreon上的工作
• 请在Medium上跟我来这里

参考文献

• 朱培浩等，(2021年)，理发店，https://arxiv.org/pdf/2106.01505.pdf
• 项目链接：https://zpdesu.github.io/Barbershop/
• 编码：https://github.com/ZPdesu/Barbershop