神经网络 P 图新神器：摘墨镜戴美瞳都能搞定，加首饰换发型真假难分

城里新来了个 AI 修图师，可以说有求必应。

拍了一张美美的照片，但是我还不满意。想瘦脸，想按照我想要的弧线瘦脸；还想让眉毛俏皮上挑、鼻子也挺一点。

AI 修图师，行不行？

行。

简单。把不满意的地方涂掉，接着想怎么改，就怎么简单勾勒一下线条。

然后，点一下按钮。效果你看看，行不行？

求大神帮忙：帮我 P 成咧嘴微笑，以及眼珠换个颜色。

行。

世间 P 图的要求不过尔尔，对于这个 AI 修图师来说，简直信手拈来。只要你提好需求，然后一键就能完美实现。

来个实战演示，譬如给美女加个刘海、画个眼影。也是轻轻松松快速完成。

给小伙去掉墨镜、露出眼睛。没问题，分分钟搞定。

真的，这都不算难事儿。

加首饰、换发型、补全脸

其实，过去我们也介绍过一些类似的神经网络 P 图大师。

不过这次的 AI 修图师，还有一些新本领。

例如，对于色彩的掌握。

可以根据要求，改变眼球的颜色，轻松告别美瞳或者红眼。

还能改变发型。

甚至，给光头 P 上秀发，而且头发可以是不同颜色的混搭，直接生成一种挑染的风范~

不仅如此，这个 AI 还能按照需求，定制生成搭配的首饰。

耳坠啊什么的，全都不在话下。

当然，以上种种还都是小儿科。

这个 AI 能脑补的范围可不只是一点点，而是一大片。

即便你给它这样一张图片。

只要给出要求。

AI 修图师也能很好的重建出来。

左边是脑补的结果，右边是真实的照片，对比一下，你会点赞的……

再展示一组。

甚至，只给一个带颜色的简笔画，AI 修图师也能生成接近原照片的结果。

你看：

这是怎么做到的？

原理解读

其实这个最新出现的 AI 修图大师，来自韩国电子通信研究院（ETRI）。背后是一个名叫 SC-FEGAN 的模型，可以分为生成器、鉴别器两大部分。

输入一张不完整的图片，加上蒙版、线稿或者颜色信息，生成器就能推断出编辑后的照片。然后，鉴别器来判断这张照片是不是 P 得天衣无缝。

生成器基于英伟达推出的图像修复模型 U-net，一共有 16 个卷积层，所有卷积层都使用 3×3 大小的门控卷积（gated convolution）。

除了输入和输出之外，所有卷积层之后都应用英伟达在 2017 年提出的局部响应归一化（LRN）。

生成器中还引入了各种损失训练，包括每像素损失、感知损失、风格损失、总方差损失以及通用的 GAN 损失函数。

鉴别器，使用的是伊利诺伊大学厄巴纳-香槟分校（UIUC）和 Adobe 研究团队在 2018 年提出 SN-PatchGAN 中的架构。

使用了 3×3 大小的卷积核并应用了梯度惩罚损失项，并没有将 ReLu 函数应用到 GAN 损失之中。

数据集

在这项研究中，训练使用的是香港中文大学汤晓鸥组收集的人脸数据集 CelebA-HQ 数据集。

在其中随机选择两组共 29000 张图像用于训练，1000 张图像用于测试。

将图像统一调整为了 512×512 像素之后，通过自由蒙版和加州大学联合 Adobe 推出的面部图像生成算法 GFC 创建对应的草图和颜色数据。

创建颜色数据时，使用直方图均衡化来避免光反射和阴影造成的颜色污染。

然后，使用加州大学 HED 边沿检测器，来生成与用户输入相对应的草图数据，修改面部图像，然后平滑曲线，并擦除修改图像产生的细小边缘。

效果怎么样？

研究中，与伊利诺伊大学厄巴纳-香槟分校和 Adobe 研究团队的网络 Deepfillv1 进行了对比。

在对人物面部进行了大面积胡抹乱画之后，Deepfillv1 虽然对整体进行了复原，但是各种涂抹痕迹，以及细节处理，都远远不及新提出的 SC-FEGAN。

此外，与其他的研究相比，SC-FEGAN 对数据的依赖并没有那么高。

哪怕是是输入一幅完全涂抹掉的图像，也能生成一些头发丝出来。

传送门

这篇论文，来自韩国电子通信研究院，作者是 Youngjoo Jo 和 Jongyoul Park。

这项研究的模型代码，已经在 GitHub 上开源了，并且提供了带有图形界面的 Demo，但需要下载安装。

如果你对这项研究感兴趣，请收好传送门：

SC-FEGAN: Face Editing Generative Adversarial Network with User’s Sketch and Color https://arxiv.org/pdf/1902.06838.pdf

GitHub 项目地址：https://github.com/JoYoungjoo/SC-FEGAN