英偉達(dá)推出的StyleGAN在前不久大火了一把。今日，Reddit一位網(wǎng)友便利用StyleGAN耗時5天創(chuàng)作出了999幅抽象派畫作！不僅如此，他還將創(chuàng)作過程無私的分享給了大家，引來眾網(wǎng)友的一致好評。

人人都能當(dāng)抽象派畫作大師了！

去年，佳士得拍賣會上拍賣了一副由AI創(chuàng)作的肖像畫——《愛德蒙·貝拉米的肖像》，該畫最終售價43.25萬美元(301萬元人民幣)，遠(yuǎn)遠(yuǎn)超過了7000到1萬美元的預(yù)計售價，同時也引發(fā)了人們對人工智能作畫的熱烈探討。

愛德蒙·貝拉米的肖像

今天，Reddit上一位網(wǎng)友利用StyleGAN訓(xùn)練生成了999幅抽象派畫作！

生成的其中一幅畫作

這項(xiàng)工作使得其他網(wǎng)友們羨慕不已：

那么，這999幅AI生成的畫作中，是否又會出現(xiàn)天價作品呢？值得拭目以待。

利用StyleGAN訓(xùn)練生成抽象派畫作

這位名為“_COD32_”的網(wǎng)友在Reddit上毫無保留的分享了這項(xiàng)工作的創(chuàng)作過程。

Reddit地址：

https://www.reddit.com/r/MachineLearning/comments/bagnq6/p_stylegan_trained_on_paintings_512x512/

在模型方面，采用的依舊是去年英偉達(dá)爆款StyleGAN，這是一種新的生成器架構(gòu)，基于風(fēng)格遷移，將面部細(xì)節(jié)分離出來，由模型進(jìn)行單獨(dú)調(diào)整，從而大幅度超越傳統(tǒng)GAN等模型。

英偉達(dá)StyleGAN GitHub官方地址：

https://github.com/NVlabs/stylegan

在數(shù)據(jù)方面，采用的是Kaggle上名為”Painter by Numbers“項(xiàng)目中的數(shù)據(jù)集，其中大部分的圖像數(shù)據(jù)來源于WikiArt.org網(wǎng)站。

Kaggle地址：

https://www.kaggle.com/c/painter-by-numbers/data

其中，只采用了≥1024X2014的圖像。在GTX 1080 TI上的訓(xùn)練時間大約是5天。

不過作者表示，該模型試圖生成人臉的部分并不是很完美，但其它部分還算可以。

例如下面兩個隨機(jī)向量之間的快速隱空間差值(latent space interpolation)：

同時，作者也給出了訓(xùn)練好的模型和Jupyter Notebook地址：

https://mega.nz/#!PsIQAYyD!g1No7FDZngIsYjavOvwxRG2Myyw1n5_U9CCpsWzQpIo

https://colab.research.google.com/drive/1cFKK0CBnev2BF8z9BOHxePk7E-f7TtUi

英偉達(dá)“造假”黑科技：StyleGAN簡介

StyleGAN是英偉達(dá)提出的一種用于生成對抗網(wǎng)絡(luò)的替代生成器體系結(jié)構(gòu)，該結(jié)構(gòu)借鑒了樣式遷移學(xué)習(xí)的成果。新結(jié)構(gòu)能夠?qū)崿F(xiàn)自動學(xué)習(xí)，以及無監(jiān)督的高級屬性分離（比如在使用人臉圖像訓(xùn)練時區(qū)分姿勢和身份屬性）和生成的圖像（如雀斑，頭發(fā)）的隨機(jī)變化，并能在圖像合成和控制上實(shí)現(xiàn)直觀化和規(guī)?；?/p>

新模型在傳統(tǒng)的分布質(zhì)量指標(biāo)方面實(shí)現(xiàn)了提升，并且更好地解決了潛在的變量因素。為了對插值質(zhì)量和分解進(jìn)行量化，本模型提出了兩種適用于任何生成架構(gòu)的自動化新方法。以及一個新的、高度多樣化、高質(zhì)量的人臉數(shù)據(jù)集。

英偉達(dá)研究人員在論文中寫道，他們提出的新架構(gòu)可以完成自動學(xué)習(xí)，無監(jiān)督地分離高級屬性（例如在人臉上訓(xùn)練時的姿勢和身份）以及生成圖像中的隨機(jī)變化，并且可以對合成進(jìn)行更直觀且特定于比例的控制。

換句話說，這種新的GAN在生成和混合圖像，特別是人臉圖像時，可以更好地感知圖像之間有意義的變化，并且在各種尺度上針對這些變化做出引導(dǎo)。

例如，研究人員使用的舊系統(tǒng)可能產(chǎn)生兩個“不同”的面部，這兩個面部其實(shí)大致相同，只是一個人的耳朵被抹去了，兩人的襯衫是不同的顏色。而這些并不是真正的面部特異性特征，不過系統(tǒng)并不知道這些是無需重點(diǎn)關(guān)注的變化，而當(dāng)成了兩個人來處理。

在上面的動圖中，其實(shí)面部已經(jīng)完全變了，但“源”和“樣式”的明顯標(biāo)記顯然都得到了保留，例如最底下一排圖片的藍(lán)色襯衫。為什么會這樣？請注意，所有這些都是完全可變的，這里說的變量不僅僅是A + B = C，而且A和B的所有方面都可以存在/不存在，具體取決于設(shè)置的調(diào)整方式。

下面這些由計算機(jī)生成的圖像都不是真人。但如果我告訴你這些圖像是真人的照片，你可能也不會懷疑：

效果如此出眾的StyleGAN一經(jīng)開源就成了“網(wǎng)紅”，由該模型生成的假臉幾乎完全可以亂真，即使是放大了仔細(xì)看，大多數(shù)情況下依然難以分清，其難度堪比“大家來找茬”。

為此，有人甚至專門寫了一篇指南，專門指點(diǎn)那些有興趣“鑒臉”的人，該文總結(jié)出了StyleGAN生成假臉的幾處常見的破綻。不過，這些破綻大部分是在圖片背景、配飾、衣物等附加元素上找到的，面部本身的破綻雖然也有，但顯著性和易見性都要下降一個檔次。

上圖的StyleGAN生成圖像在面部上幾乎無破綻，但左右耳的首飾不對稱

被玩壞的StyleGAN：從“假人臉”到“假房子”，生成世間萬物

StyleGAN生成假臉圖像的逼真程度令人驚艷，但這么厲害的模型只能用來生成假人臉嗎？顯然不是。很快，越來越多的吃瓜群眾發(fā)現(xiàn)了StyleGAN的更多潛力。比如生成假的出租房。

前不久，就有好事者利用StyleGAN生成了一個假的Airbnb租房網(wǎng)站，上面從房源圖片、地址、再到租客的評論和打分沒有一個是真實(shí)的，全是StyleGAN的杰作。

假房生成網(wǎng)站 thisairbnbdoesnotexist.com，每次刷新都會出現(xiàn)一個虛假的房源，網(wǎng)頁上的照片、文字描述、發(fā)布人頭像均由計算機(jī)自動生成。由于使用的模型非常簡單，文字描述多有不合邏輯之處，但乍看上去還是能以假亂真。來源：假房生成網(wǎng)站 thisairbnbdoesnotexist.com

AirBNB網(wǎng)站截圖，避免廣告嫌疑做了虛化處理

根據(jù)Christopher Schmidt在Twitter的介紹，生成每個網(wǎng)頁用一塊GPU只需0.5秒，相關(guān)代碼開源，你可以在這里找到：

https://colab.research.google.com/github/tensorflow/tpu/blob/master/tools/colab/shakespeare_with_tpu_and_keras.ipynb

這個“假房源”網(wǎng)站是怎么做的？

網(wǎng)站上的圖像當(dāng)然由著名的圖像生成模型StyleGAN生成，文本則來自在一個AirBNB列表(文末鏈接[1])上訓(xùn)練的語言模型，主要基于Tensorflow的“Predict Shakespeare with Cloud TPU”（https://t.co/sJoUbwZ2UL）。

這個文本生成模型似乎是個兩層的前饋LSTM（文末鏈接[2]），主要是用它來獨(dú)立訓(xùn)練生成房屋列表中的標(biāo)題、描述、房主姓名、地理位置等，然后組合生成綜合列表。

每個模型的輸出都是預(yù)先生成的，每5秒創(chuàng)建一個新的列表(網(wǎng)頁)。唯一的修改是根據(jù)文本稍微調(diào)整序列大小。

下面是Christopher Schmidt在Twitter上對這個“假房子”網(wǎng)站的簡要介紹，包括靈感來源、大致結(jié)構(gòu)、構(gòu)建頁面使用的框架和訓(xùn)練方式等。

本頁面在開發(fā)時主要使用以下幾種模型：在構(gòu)建圖片和臥室照片時使用StyleGAN，一些文本網(wǎng)絡(luò)的訓(xùn)練使用了tf.keras來生成地點(diǎn)名稱、房主姓名、標(biāo)題和描述。此外還使用了Tensorflow的實(shí)例代碼）

所有的數(shù)據(jù)訓(xùn)練過程都在谷歌的Colab上完成，該平臺上可以免費(fèi)使用GPU和TPU來訓(xùn)練和生成數(shù)據(jù)。

每個模型都可以做出獨(dú)立的預(yù)測，所以會經(jīng)常出現(xiàn)各部分信息不相配的情況，比如描述信息中說某套房子有一間臥室，但列表信息中顯示有四件臥室，或者外觀和名字排列不齊等。

但總的來看，這個過程是比較理想的，我在這個學(xué)習(xí)過程中也獲得了不少樂趣，進(jìn)一步掌握了一些模型的使用技巧。這里要感謝Colab平臺，更感謝StyleGAN社群的出色研究成果。

有了這個思路，應(yīng)用方向什么的就不用愁了，基于StyleGAN模型的假簡歷、假食物、假貓咪等等如雨后春筍一樣不斷涌現(xiàn)。甚至有人把這些“造假成果”匯總到了一個網(wǎng)站，叫“這些東西都不存在”。

這樣看來，StyleGAN已經(jīng)火到了幾乎要被“玩壞”的程度。未來再出現(xiàn)什么樣的假貨，可能已經(jīng)不取決于模型本身，而是程序員們的腦洞了。

介紹了這么多，大家是不是也想玩一玩StyleGAN呢？打開下方鏈接，快去嘗鮮吧！