隨手拍張照片，順勢(shì)轉(zhuǎn)換為宮崎駿、新海誠(chéng)等日漫大師的手繪風(fēng)格作品，這個(gè)專門生成動(dòng)漫圖像的 GAN，實(shí)測(cè)很好用。

盡管最近 2019 年的圖靈獎(jiǎng)?lì)C給了計(jì)算機(jī)圖形學(xué)、頒給了皮克斯 3D 動(dòng)畫，但很多人可能認(rèn)為二維動(dòng)漫更有意思一些。像宮崎駿、新海誠(chéng)這些大師手繪下的動(dòng)漫，才有了靈魂，張張都能成為壁紙，而整個(gè)日漫也以二維為核心。 如果有模型能將真實(shí)畫面轉(zhuǎn)化為日漫風(fēng)格的手繪畫面，那一定非常炫酷。最近機(jī)器之心發(fā)現(xiàn)確實(shí)有這些模型，從 CartoonGAN 到 AnimeGAN 都能生成非常有意思的圖像。

這里有一個(gè) TensorFlow 新項(xiàng)目，它實(shí)現(xiàn)了 AnimeGAN，并提供了預(yù)訓(xùn)練模型。也就是說(shuō)，我們下載后可以直接試試生成效果。作為日漫風(fēng)格的愛好者，我們很快就試用了一下新項(xiàng)目。 項(xiàng)目地址：https://github.com/TachibanaYoshino/AnimeGAN 雖然原項(xiàng)目給出的最佳示例很多都是街景，但我們發(fā)現(xiàn)各種場(chǎng)景也都還行，如下是我們?cè)囉玫脑瓐D與生成效果。看看第一張櫻花道生成效果，忽然有一種《千與千尋》的感覺。

如果只針對(duì)人物，轉(zhuǎn)換效果也是非常不錯(cuò)的。我們嘗試將新垣結(jié)衣的照片輸入 AnimeGAN 模型，然后就有如下這種神奇的畫風(fēng)，感覺直接用到動(dòng)漫里也沒什么問(wèn)題了。

在原 GitHub 項(xiàng)目中，作者還給了非常多的示例，上面只是機(jī)器之心試用的結(jié)果，你也可以來(lái)用一用。 AnimeGAN 整個(gè)項(xiàng)目實(shí)現(xiàn)的是論文「AnimeGAN: a novel lightweight GAN for photo animation」中所提方法，作者在論文中分別將 AnimeGAN 與 CartoonGAN、ComixGAN 進(jìn)行對(duì)比。

從圖中可以看到，AnimeGAN 在細(xì)節(jié)方面的表現(xiàn)要優(yōu)于以上兩種方法，色彩相對(duì)而言更加自然，涂抹感也沒有那么強(qiáng)烈。最明顯的是第二行的效果圖，使用 AnimeGAN 生成的漫畫更加接近宮崎駿的畫風(fēng)。 方法簡(jiǎn)介 對(duì)于這個(gè)項(xiàng)目的 AnimeGAN，如下所示為 AnimeGAN 所采用的生成器網(wǎng)絡(luò)與判別器網(wǎng)絡(luò)?？雌饋?lái)模型整體是比較常規(guī)地一個(gè)卷積神經(jīng)網(wǎng)絡(luò)，但它會(huì)采用實(shí)例歸一化以及新型的 LReLU 激活函數(shù)。

除了架構(gòu)細(xì)節(jié)上的更新外，作者還提出了以下三個(gè)新的損失函數(shù)：

灰度風(fēng)格（grayscale style）loss

灰度對(duì)抗（grayscale adversarial）loss

色彩重構(gòu)（color reconstruction）loss

這些損失函數(shù)能夠讓生成圖片的風(fēng)格更加接近于真實(shí)的漫畫風(fēng)格。 下表比較了 ACartoonGAN 與 AnimeGAN 的模型大小與推理速度?？梢悦黠@看出，AnimeGAN 是個(gè)相對(duì)輕量級(jí)的 GAN，具有更少的參數(shù)量以及更快的推理速度。

總體來(lái)說(shuō)，新提出來(lái)的 AnimeGAN 是一種輕量級(jí)的生成對(duì)抗模型，它采用了較少的模型參數(shù)，以及引入格拉姆矩陣（Gram matrix）來(lái)加強(qiáng)照片的風(fēng)格。研究者的方法需要采用一系列真實(shí)圖片與一系列動(dòng)漫圖片做訓(xùn)練，且這些圖片并不需要成對(duì)匹配，這就表明訓(xùn)練數(shù)據(jù)非常容易獲得。 項(xiàng)目實(shí)測(cè) 我們?cè)?Ubuntu 18.04 下對(duì)本項(xiàng)目進(jìn)行了測(cè)試，相關(guān)依賴環(huán)境如下：

python 3.6.8

tensorflow-gpu 1.8

opencv

tqdm

numpy

glob

argparse

這些依賴項(xiàng)可以說(shuō)都是 CV 中常用的擴(kuò)展庫(kù)，我們就不用費(fèi)盡心思去解決各種依賴環(huán)境沖突的問(wèn)題了，這里給個(gè)好評(píng)。 以下是本項(xiàng)目的訓(xùn)練及測(cè)試詳細(xì)流程。我們首先將 AnimeGAN 項(xiàng)目克隆到本地，在 Jupyter notebook 中輸入：

!gitclonehttps://github.com/TachibanaYoshino/AnimeGAN

將工作目錄切換到 AnimeGAN： importos os.chdir('AnimeGAN') print(os.getcwd()) 接下來(lái)下載項(xiàng)目作者提供的預(yù)訓(xùn)練模型，使用 vim download_staffs.sh 創(chuàng)建一個(gè) Shell 文件，輸入如下命令： URL=https://github.com/TachibanaYoshino/AnimeGAN/releases/download/Haoyao-style_V1.0/Haoyao-style.zip ZIP_FILE=./checkpoint/Haoyao-style.zip TARGET_DIR=./checkpoint/saved_model mkdir-p./checkpoint wget-N$URL-O$ZIP_FILE mkdir-p$TARGET_DIR unzip$ZIP_FILE-d$TARGET_DIR rm$ZIP_FILE DatesetURL=https://github.com/TachibanaYoshino/AnimeGAN/releases/download/dataset-1/dataset.zip ZIP_FILE=./dataset.zip TARGET_DIR=./dataset rm-rfdataset wget-N$DatesetURL-O$ZIP_FILE unzip$ZIP_FILE-d$TARGET_DIR rm$ZIP_FILE VGG_FILE=./vgg19_weight/vgg19.npy wget--load-cookies/tmp/cookies.txt"https://docs.google.com/uc?export=download&confirm=$(wget--quiet--save-cookies/tmp/cookies.txt--keep-session-cookies--no-check-certificate'https://docs.google.com/uc?export=download&id=1U5HCRpZWAbDVLipNoF8t0ZHpwCRX7kdF'-O-|sed-rn's/.*confirm=([0-9A-Za-z_]+).*/1 /p')&id=1U5HCRpZWAbDVLipNoF8t0ZHpwCRX7kdF"-O$VGG_FILE&&rm-rf/tmp/cookies.txt 保存后退出，以上命令會(huì)將預(yù)訓(xùn)練的模型、vgg19 權(quán)重以及訓(xùn)練數(shù)據(jù)集下載并保存到其對(duì)應(yīng)目錄下。在 notebook 中運(yùn)行： !bashdownload_staffs.sh

至此即完成所有準(zhǔn)備工作，運(yùn)行如下代碼就可以對(duì)模型進(jìn)行訓(xùn)練了： !pythonmain.py--phasetrain--datasetHayao--epoch101--init_epoch1 AnimeGAN 的訓(xùn)練過(guò)程如下圖所示：

當(dāng)進(jìn)行測(cè)試時(shí)，我們需要將用于測(cè)試的圖片保存到 dataset/test/real 目錄下，并運(yùn)行如下代碼： !pythontest.py--checkpoint_dircheckpoint/saved_model--test_dirdataset/test/real--style_nameH

當(dāng)看到以上輸出說(shuō)明程序已經(jīng)成功運(yùn)行完成，生成結(jié)果保存在 results 文件夾下。可以看到，在 P100 GPU 上生成一幅圖片需要大約 2.3 秒左右。 整體而言，運(yùn)行速度還是比較快的，這么好玩的項(xiàng)目，你不來(lái)試下嗎？