GAN人脸生成技术

GAN人脸生成技术

​

GAN目前有非常多在人脸生成方向上的应用。比如2018年年初社交媒体Reddit与Twitter的项目DeepFake，它的核心功能非常简单，就是将视频或图片中的人脸进行互换。这个功能对于那些制图高手来说似乎并不困难，但是DeepFake完全是基于计算机自身的能力进行处理完成的，并且最终实现的效果非常棒，有时让人几乎看不出修改的样子。下图是两位名人在DeepFake中的人脸互换例子。

最初版本的DeepFake使用的是自动编码器的技术，后来网络上有了基于GAN的改进版本faceswap-GAN，下面简单介绍一下它的整体运行思路。下图是faceswap-GAN训练阶段与测试阶段的示意图，训练过程中需要大量的人脸A数据，通过算法将其进行扭曲处理变得与人脸A不同，再通过自动编码器生成遮罩于重建的人脸，最终通过遮罩信息与之前输入的信息还原人脸A的数据。在测试过程中，网络会将人脸B的信息认为是训练集中扭曲过的训练集人脸，经过同样的步骤将其还原为人脸A的状态。

下图是上述faceswap-GAN的目标函数，由三个损失函数组成。第一项为重建损失，确保重建后的人脸与原始人脸相似。第二项为GAN中的对抗损失，需要计算机判断输出的人脸是真实的还是生成的。最后一项为可选项，是人脸数据的感知损失，用于判断原图像与生成图像的整体相似度。

目前faceswap-GAN完整的代码设计在GitHub的项目源码中可以找到。从应用的角度看，目前对于“换脸”依然大部分用于网络趣味性应用，比如国外知名的社交软件SnapChat就有一款非常流行的滤镜，可将用户的脸进行互换。此外从商用角度考虑，比如可以将该技术应用于电影制作中的后期处理，对于替身演员的人脸更换可以完全使用该技术来进行处理。

此外GAN也应用了到更多其他的人脸变化中，比如对于人脸的年龄变化预测。如下图所示，输入是年轻时候的照片，而输出则是随着年龄增长对于该用户长相改变的预测。

版权声明：本文内容由网络用户投稿，版权归原作者所有，本站不拥有其著作权，亦不承担相应法律责任。如果您发现本站中有涉嫌抄袭或描述失实的内容，请联系我们jiasou666@gmail.com 处理，核实后本网站将在24小时内删除侵权内容。