参与：肖清、思
随手拍张照片，顺势转换为宫崎骏、新海诚等日漫大师的手绘风格作品，这个专学天生动漫图像的 GAN，实测很好用。
机器之心根据真实店铺照片天生的效果图，一度以为，这便是某个日漫番剧的截图。
只管最近 2019 年的图灵奖颁给了打算机图形学、颁给了皮克斯 3D 动画，但很多人可能认为二维动漫更故意思一些。像宫崎骏、新海诚这些大师手绘下的动漫，才有了灵魂，张张都能成为壁纸，而全体日漫也以二维为核心。
如果有模型能将真实画面转化为日漫风格的手绘画面，那一定非常炫酷。最近机器之心创造确实有这些模型，从 CartoonGAN 到 AnimeGAN 都能天生非常故意思的图像。
这里有一个 TensorFlow 新项目，它实现了 AnimeGAN，并供应了预演习模型。也便是说，我们下载后可以直接试试天生效果。作为日漫风格的爱好者，我们很快就试用了一下新项目。
项目地址：https://github.com/TachibanaYoshino/AnimeGAN
虽然原项目给出的最佳示例很多都是街景，但我们创造各种场景也都还行，如下是我们试用的原图与天生效果。看看第一张樱花道天生效果，忽然有一种《千与千寻》的觉得。
如果只针对人物，转换效果也是非常不错的。我们考试测验将新垣结衣的照片输入 AnimeGAN 模型，然后就有如下这种神奇的画风，觉得直接用到动漫里也没什么问题了。
在原 GitHub 项目中，作者还给了非常多的示例，上面只是机器之心试用的结果，你也可以来用一用。
AnimeGAN
全体项目实现的是论文「AnimeGAN: a novel lightweight GAN for photo animation」中所提方法，作者在论文等分别将 AnimeGAN 与 CartoonGAN、ComixGAN 进行比拟。
从图中可以看到，AnimeGAN 在细节方面的表现要优于以上两种方法，色彩相对而言更加自然，涂抹感也没有那么强烈。最明显的是第二行的效果图，利用 AnimeGAN 天生的漫画更加靠近宫崎骏的画风。
方法简介
对付这个项目的 AnimeGAN，如下所示为 AnimeGAN 所采取的天生器网络与判别器网络。看起来模型整体是比较常规地一个卷积神经网络，但它会采取实例归一化以及新型的 LReLU 激活函数。
除了架构细节上的更新外，作者还提出了以下三个新的丢失函数：
灰度风格（grayscale style）loss灰度对抗（grayscale adversarial）loss色彩重构（color reconstruction）loss这些丢失函数能够让天生图片的风格更加靠近于真实的漫画风格。
下表比较了 ACartoonGAN 与 AnimeGAN 的模型大小与推理速率。可以明显看出，AnimeGAN 是个相对轻量级的 GAN，具有更少的参数量以及更快的推理速率。
总体来说，新提出来的 AnimeGAN 是一种轻量级的天生对抗模型，它采取了较少的模型参数，以及引入格拉姆矩阵（Gram matrix）来加强照片的风格。研究者的方法须要采取一系列真实图片与一系列动漫图片做演习，且这些图片并不须要成对匹配，这就表明演习数据非常随意马虎得到。
项目实测
我们在 Ubuntu 18.04 下对本项目进行了测试，干系依赖环境如下：
python 3.6.8tensorflow-gpu 1.8opencvtqdmnumpyglobargparse这些依赖项可以说都是 CV 中常用的扩展库，我们就不用费尽心思去办理各种依赖环境冲突的问题了，这里给个好评。
以下是本项目的演习及测试详细流程。我们首先将 AnimeGAN 项目克隆到本地，在 Jupyter notebook 中输入：
!gitclonehttps://github.com/TachibanaYoshino/AnimeGAN
将事情目录切换到 AnimeGAN：
importosos.chdir('AnimeGAN')print(os.getcwd())
接下来下载项目作者供应的预演习模型，利用 vim download_staffs.sh 创建一个 Shell 文件，输入如下命令：
URL=https://github.com/TachibanaYoshino/AnimeGAN/releases/download/Haoyao-style_V1.0/Haoyao-style.zipZIP_FILE=./checkpoint/Haoyao-style.zipTARGET_DIR=./checkpoint/saved_modelmkdir-p./checkpointwget-N$URL-O$ZIP_FILEmkdir-p$TARGET_DIRunzip$ZIP_FILE-d$TARGET_DIRrm$ZIP_FILEDatesetURL=https://github.com/TachibanaYoshino/AnimeGAN/releases/download/dataset-1/dataset.zipZIP_FILE=./dataset.zipTARGET_DIR=./datasetrm-rfdatasetwget-N$DatesetURL-O$ZIP_FILEunzip$ZIP_FILE-d$TARGET_DIRrm$ZIP_FILEVGG_FILE=./vgg19_weight/vgg19.npywget--load-cookies/tmp/cookies.txt"https://docs.google.com/uc?export=download&confirm=$(wget--quiet--save-cookies/tmp/cookies.txt--keep-session-cookies--no-check-certificate'https://docs.google.com/uc?export=download&id=1U5HCRpZWAbDVLipNoF8t0ZHpwCRX7kdF'-O-|sed-rn's/.confirm=([0-9A-Za-z_]+)./\1\n/p')&id=1U5HCRpZWAbDVLipNoF8t0ZHpwCRX7kdF"-O$VGG_FILE&&rm-rf/tmp/cookies.txt
保存退却撤退出，以上命令会将预演习的模型、vgg19 权重以及演习数据集下载并保存到其对应目录下。在 notebook 中运行：
!bashdownload_staffs.sh
至此即完成所有准备事情，运行如下代码就可以对模型进行演习了：
!pythonmain.py--phasetrain--datasetHayao--epoch101--init_epoch1
AnimeGAN 的演习过程如下图所示：
当进行测试时，我们须要将用于测试的图片保存到 dataset/test/real 目录下，并运行如下代码：
!pythontest.py--checkpoint_dircheckpoint/saved_model--test_dirdataset/test/real--style_nameH
当看到以上输出解释程序已经成功运行完成，天生结果保存在 results 文件夹下。可以看到，在 P100 GPU 上天生一幅图片须要大约 2.3 秒旁边。