首页 > 科技快讯 > 看人工智能如何实现各种“变脸”

看人工智能如何实现各种“变脸”

晰数塔互联网快讯
2020-02-27 17:20

编者按：本文来自微信公众号“机器之能”（ID:almosthuman2017），作者：陆少游，36氪经授权发布。

随着计算机视觉技术的成熟，图像识别、图像处理等技术任务发展出了大量应用。其中，针对“人脸”的识别与处理任务尤为热门，其在安防、支付、公共服务等领域均有相对成熟的应用，并形成产业链。

此外，因“人脸”这一元素与个人身份的直接联系，相关针对人脸的图像处理技术因识别度高、代入感强等原因，在文化娱乐领域同样发展出了丰富的应用模式，从而衍生出繁多的“变脸应用”。

01 计算机视觉发展下的人脸识别与图像处理

在当前的人工智能大潮下，计算机视觉的发展及其在人脸识别上的应用已发展出广泛的应用场景。据统计，2013年中国人脸识别市场规模仅为8.61亿元，2014年突破10亿元，并长期保持逐年快速增长的趋势。伴随火车站、零售支付以及安防等领域的应用需求，中国人脸识别市场在2018年以高达27.6亿元。然而，除却管理与安全防卫的需要，人脸识别技术在文化娱乐的场景同样拥有极大的热度，尤其针对“人脸”的图像处理领域，计算机视觉与迁移学习等技术已发展出“AI换脸”、“真人照片卡通化”等应用模式，各类移动应用屡见不鲜。此外，诸如“妆容转移”、“染发剂效果模拟”等围绕人脸图像处理的应用在零售营销领域同样存在不小的市场潜力。

看人工智能如何实现各种“变脸”

02 图像处理中常用人工智能技术

深度学习：机器学习的分支，因深度学习可以通过无监督或半监督特征学习算法和分层特征提取从海量数据中自动提取特征，使其在计算机视觉领域拥有极佳的应用效果。

计算机视觉：指机器感知环境的能力，是关于研究机器视觉能力的学科。这一技术类别中的经典任务有图像生成、图像处理、图像提取和图像的三维推理，是当前人工智能技术发展的重点应用领域之一。

生成对抗网络(GAN)：一种无监督学习方法，是一种通过用对抗网络来训练生成模型的架构。GAN在图像生成上拥有极大优势，是当前最具发展潜力的神经网络之一。

迁移学习：迁移学习是一种机器学习方法，通过从已学习的相关任务中转移知识来改进学习的新任务，可应用于图像处理中的换脸、画风迁移等任务。

元学习：机器学习的一个子领域，是将自动学习算法应用于机器学习实验的元数据上，是通往可持续学习多项新任务的多面智能体的必经之路，可被用于静止图像动态化等任务。

03 人工智能技术在人脸图像处理领域的应用分布

看人工智能如何实现各种“变脸”

04 人工智能技术在图像生成与处理领域的应用案例

U-GAT-IT 模型实现真人照片到日式卡通头像的自动转化：韩国AI研究团队基于生成对抗网络（GAN）的架构基础，添加了注意力模块，并发明了一种名为”自适应层-实例归一化“（AdaLIN）的归一化机制，建立了一款针对图片到图片翻译任务的全新神经网络模型，即“U-GAT-IT”。该模型可实现将真人头像转化为二次元卡通画风的图片，效果如同漫画家的精心再创作。

美图影像实验室（MTlab）推出高效人像画质修复算法：美图实验室团队通过借鉴前沿的深度学习技术，结合大量生成对抗网络应用打造了超清人像生成网络结构BeautyGAN。在此基础上，基于上亿人像数据的训练，使其具备人像画质修复能力。通过部署该技术于于美图秀秀APP，任何用户可以在上传低质量照片后数秒内收获画质提升版本。

三星研发神经网络模型实现一张图像生成动图：三星和Skolkovo研究团队使用卷积神经网络构建头像特性，通过元学习在头像特写语料库上的大量预训练（meta-learning），让模型获得基于少量图像学习（few shotlearning）的能力。在元学习过程中，系统创建了三种神经网络：将帧映射到向量的嵌入器网络、在合成视频中映射面部特征点的生成器网络以及评估生成图像真实性和姿态的判别器网络。联合三种网络并执行长时间元学习的模型能够利用已学习的高质量生成器与判别器实现基于数张甚至一张静止人像生成表情丰富的动图。