【新智元导读】英伟达推出的StyleGAN在前不久大火了一把。今日，Reddit一位网友便利用StyleGAN耗时5天创作出了999幅抽象派画作！
不仅如此，他还将创作过程无私的分享给了大家，引来众网友的同等好评。
大家都能当抽象派画作大师了！
去年，佳士得拍卖会上拍卖了一副由AI创作的肖像画——《爱德蒙·贝拉米的肖像》，该画终极售价43.25万美元(301万元公民币)，远远超过了7000到1万美元的估量售价，同时也引发了人们对人工智能作画的热烈磋商。
爱德蒙·贝拉米的肖像
本日，Reddit上一位网友利用StyleGAN演习天生了999幅抽象派画作！
天生的个中一幅画作
这项事情使得其他网友们倾慕不已：
那么，这999幅AI天生的画作中，是否又会涌现天价作品呢？值得拭目以待。
利用StyleGAN演习天生抽象派画作这位名为“_COD32_”的网友在Reddit上毫无保留的分享了这项事情的创作过程。
Reddit地址：
https://www.reddit.com/r/MachineLearning/comments/bagnq6/p_stylegan_trained_on_paintings_512x512/
在模型方面，采取的依旧是去年英伟达爆款StyleGAN，这是一种新的天生器架构，基于风格迁移，将面部细节分离出来，由模型进行单独调度，从而大幅度超越传统GAN等模型。
英伟达StyleGAN GitHub官方地址：
https://github.com/NVlabs/stylegan
在数据方面，采取的是Kaggle上名为”Painter by Numbers“项目中的数据集，个中大部分的图像数据来源于WikiArt.org网站。
Kaggle地址：
https://www.kaggle.com/c/painter-by-numbers/data
个中，只采取了≥1024X2014的图像。在GTX 1080 TI上的演习韶光大约是5天。
不过作者表示，该模型试图天生人脸的部分并不是很完美，但其它部分还算可以。
例如下面两个随机向量之间的快速隐空间差值(latent space interpolation)：
同时，作者也给出了演习好的模型和Jupyter Notebook地址：
https://mega.nz/#!PsIQAYyD!g1No7FDZngIsYjavOvwxRG2Myyw1n5_U9CCpsWzQpIo
https://colab.research.google.com/drive/1cFKK0CBnev2BF8z9BOHxePk7E-f7TtUi
英伟达“造假”黑科技：StyleGAN简介StyleGAN是英伟达提出的一种用于天生对抗网络的替代天生器体系构造，该构造借鉴了样式迁移学习的成果。新构造能够实现自动学习，以及无监督的高等属性分离（比如在利用人脸图像演习时区分姿势和身份属性）和天生的图像（如雀斑，头发）的随机变革，并能在图像合成和掌握上实现直不雅观化和规模化。
新模型在传统的分布质量指标方面实现了提升，并且更好地办理了潜在的变量成分。为了对插值质量和分解进行量化，本模型提出了两种适用于任何天生架构的自动化新方法。以及一个新的、高度多样化、高质量的人脸数据集。
英伟达研究职员在论文中写道，他们提出的新架构可以完成自动学习，无监督地分离高等属性（例如在人脸上演习时的姿势和身份）以及天生图像中的随机变革，并且可以对合成进行更直不雅观且特定于比例的掌握。
换句话说，这种新的GAN在天生和稠浊图像，特殊是人脸图像时，可以更好地感知图像之间故意义的变革，并且在各种尺度上针对这些变革做出勾引。
例如，研究职员利用的旧系统可能产生两个“不同”的面部，这两个面部实在大致相同，只是一个人的耳朵被抹去了，两人的衬衫是不同的颜色。而这些并不是真正的面部特异性特色，不过系统并不知道这些是无需重点关注的变革，而当成了两个人来处理。
在上面的动图中，实在面部已经完备变了，但“源”和“样式”的明显标记显然都得到了保留，例如最底下一排图片的蓝色衬衫。为什么会这样？请把稳，所有这些都是完备可变的，这里说的变量不仅仅是A + B = C，而且A和B的所有方面都可以存在/不存在，详细取决于设置的调度办法。
下面这些由打算机天生的图像都不是真人。但如果我见告你这些图像是真人的照片，你可能也不会疑惑：
效果如此出众的StyleGAN一经开源就成了“网红”，由该模型天生的假脸险些完备可以乱真，纵然是放大了仔细看，大多数情形下依然难以分清，其难度堪比“大家来找茬”。
为此，有人乃至专门写了一篇指南，专门指示那些有兴趣“鉴脸”的人，该文总结出了StyleGAN天生假脸的几处常见的马脚。不过，这些马脚大部分是在图片背景、配饰、衣物等附加元素上找到的，面部本身的马脚虽然也有，但显著性和易见性都要低落一个档次。
上图的StyleGAN天生图像在面部上险些无马脚，但旁边耳的首饰不对称
被玩坏的StyleGAN：从“假人脸”到“假屋子”，天生世间万物StyleGAN天生假脸图像的逼真程度令人惊艳，但这么厉害的模型只能用来天生假人脸吗？显然不是。很快，越来越多的吃瓜群众创造了StyleGAN的更多潜力。比如天生假的出租房。
前不久，就有好事者利用StyleGAN天生了一个假的Airbnb租房网站，上面从房源图片、地址、再到租客的评论和打分没有一个是真实的，全是StyleGAN的精品。
假房天生网站 thisairbnbdoesnotexist.com，每次刷新都会涌现一个虚假的房源，网页上的照片、笔墨描述、发布人头像均由打算机自动天生。由于利用的模型非常大略，笔墨描述多有不合逻辑之处，但乍看上去还是能以假乱真。来源：假房天生网站 thisairbnbdoesnotexist.com
AirBNB网站截图，避免广告嫌疑做了虚化处理
根据Christopher Schmidt在Twitter的先容，天生每个网页用一块GPU只需0.5秒，干系代码开源，你可以在这里找到：
https://colab.research.google.com/github/tensorflow/tpu/blob/master/tools/colab/shakespeare_with_tpu_and_keras.ipynb
这个“假房源”网站是怎么做的？网站上的图像当然由著名的图像天生模型StyleGAN天生，文本则来清闲一个AirBNB列表(文末链接[1])上演习的措辞模型，紧张基于Tensorflow的“Predict Shakespeare with Cloud TPU”（https://t.co/sJoUbwZ2UL）。
这个文本天生模型彷佛是个两层的前馈LSTM（文末链接[2]），紧张是用它来独立演习天生房屋列表中的标题、描述、房东姓名、地理位置等，然后组合天生综合列表。
每个模型的输出都是预师长西席成的，每5秒创建一个新的列表(网页)。唯一的修恰是根据文本轻微调度序列大小。
下面是Christopher Schmidt在Twitter上对这个“假屋子”网站的简要先容，包括灵感来源、大致构造、构建页面利用的框架和演习办法等。
本页面在开拓时紧张利用以下几种模型：在构建图片和寝室照片时利用StyleGAN，一些文本网络的演习利用了tf.keras来天生地点名称、房东姓名、标题和描述。此外还利用了Tensorflow的实例代码） 所有的数据演习过程都在谷歌的Colab上完成，该平台上可以免费利用GPU和TPU来演习和天生数据。每个模型都可以做出独立的预测，以是会常常涌现各部分信息不相配的情形，比如描述信息中说某套屋子有一间寝室，但列表信息中显示有四件寝室，或者外不雅观和名字排列不齐等。 但总的来看，这个过程是比较空想的，我在这个学习过程中也得到了不少乐趣，进一步节制了一些模型的利用技巧。这里要感谢Colab平台，更感谢StyleGAN社群的出色研究成果。有了这个思路，运用方向什么的就不用愁了，基于StyleGAN模型的假简历、假食品、假猫咪等等如雨后春笋一样不断呈现。乃至有人把这些“造假成果”汇总到了一个网站，叫“这些东西都不存在”。
这样看来，StyleGAN已经火到了险些要被“玩坏”的程度。未来再涌现什么样的赝品，可能已经不取决于模型本身，而是程序员们的脑洞了。
先容了这么多，大家是不是也想玩一玩StyleGAN呢？打开下方链接，快去尝鲜吧！
参考链接：
https://www.reddit.com/r/MachineLearning/comments/bagnq6/p_stylegan_trained_on_paintings_512x512/
https://github.com/NVlabs/stylegan