量子位 宣布 | 公众年夜众号 QbitAI
“排队1241人，等待2600秒……”
——这届网友为了看一眼自己在动漫里的样子，可真是拼了！
“始作俑者”是一款可以把人像变动漫的天生器。
只需一张图片或一段视频，无论男女老少、明星素人都可以一睹自己的“动漫风采”～
什么“国民老婆”王冰冰：
什么“国民妹妹”IU：
什么科技圈大佬、EDG成员、金发美女、容嬷嬷……
发丝、眉宇，乃至眼神里流露出来的感情，都给你“描述”得淋漓尽致……
△ 视频效果
这也难怪网友把做事器都给挤爆了。
随便翻翻大家的作品，切实其实是深不见底。
再看看GitHub上的干系项目，果真也冲上了趋势榜第一名。
这个AnimeGAN，真是厉害了！
看完展示的效果，你是不是也想打造一个自己专属的漫画脸了呢？
这个可以有，现在就手把手教你。
第一种方法就very very大略了，只须要上传一张照片就可以。
供应在线玩法的网站（链接见文末），便是那个著名的抱抱脸 （Hugging Face）。
它专门开设了一个在线AnimeGANv2的App，直接把图片“丢”进去就好。
BUT！
！
！
也正如刚才提到的，现在这个AI其实有点太火了，大略的在线方法，就等同于排大队。
这不，等了5259秒之后，前面还有15人……
如果不想排队怎么办？
接下来，便是第二种方法了——上代码！
热心网友在苦等了3小时之后，终于还是忍不住了，强烈安利Colab版本（链接见文末）：
先运行一下文档里的前两段代码，然后只须要大略修正照片路径即可。
当然，如果想加大难度寻衅一下，AnimeGANv2的GitHub项目也是有的哈：
以上先容的方法都是用图片转换，如果你想用视频的话，在AnimeGANv2项目中实行下面这两条命令就OK：
当然，该项目的Pytorch实现也有，不过Pytorch版本目前只支持图片转换；如果想转视频，暂时就须要你自己写个脚本了～
风格迁移+GAN
那么，如此效果的背后，到底是用了什么事理呢？
AnimeGAN是来自武汉大学和湖北工业大学的一项研究，采取的是神经风格迁移 + 天生对抗网络（GAN）的组合。
它实在是基于CartoonGAN的改进，并提出了一个更加轻量级的天生器架构。
AnimeGAN的天生器可以视作一个对称的编码器-解码器网络，由标准卷积、深度可分离卷积、反向残差块、上采样和下采样模块组成。
为了有效减少天生器的参数数量，AnimeGAN的网络中利用了8个连续且相同的IRB（inverted residual blocks）。
在天生器中，具有1×1卷积核的末了一个卷积层不该用归一化层，跟随其后的是tanh非线性激活函数。
上图中，K为内核大小，C为特色图数量，S为每个卷积层的跨度，H是特色图的高度，W是特色图的宽度，Resize值用于设置特色图大小的插值方法，⊕表示逐元素加法。
而这次的V2版本，是基于第一代AnimeGAN的升级，紧张办理了模型天生的图像中存在高频伪影的问题。
详细而言，所采纳的方法是利用特色的层归一化（layer normalization），来防止网络在天生的图像中产生高频伪影。
作者认为，层归一化可以使feature map中的不同通道，具有相同的特色属性分布，可以有效地防止局部噪声的产生。
AnimeGANv2的天生器参数大小为8.6MB，而AnimeGAN的天生器参数大小为15.8MB。
它俩利用的鉴别器大致相同，差异在于AnimeGANv2利用的是层归一化，而不是实例归一化（instance normalization）。
网友：我变俊秀了这个AI可算是圈了一众粉丝。
有些网友“冲进二次元”之后，创造了自己惊人的仙颜：
它把我变俊秀了！
而且非常骄傲的晒出了自己的漫画脸。
还有网友看完比尔盖茨的效果之后，直呼：
天！
盖茨看起来聪明又性感。
作者：天生效果更好的AnimeGANv3也快来了
AnimeGAN的原作者一共有3位，分别是湖北工业大学的刘罡副教授，陈颉博士，以及他们的学生Xin Chen。
这个项目的出身紧张出于团队成员的个人兴趣，也便是对二次元宅文化和对艺术的热爱。
作者之一陈同学先容，AnimeGAN和AnimeGANv2分别耗时2-3个月完成，个中碰着了不少困难。
个中就包括硬件资源的极度匮乏，比如当时做AnimeGAN用到的英伟达单卡做事器还是由该校艺术设计学院的院长饶鉴教授供应，而他卖力的研究也曾依赖于向其他同学借机器跑实验。
到了AnimeGANv2时，就只剩一台单卡2080ti做事器供给用了。
不过，所有努力都没有空费，如今AnimeGAN已受到非常多人的关注和喜好，这让陈同学和他的导师团队都非常有造诣感。
要知道，就连新海诚导演都曾转发过AnimeGAN的作品呢。
但，这项以兴趣爱好为驱动的科研项目并不但是“图个好玩”。
在我们与该团队的互换当中，他们表示：
紧张目标还是以学术论文为里程牌，以项目能工程化落地到实际运用中为最大期待。
而接下来，AnimeGANv3也快来了。
它到时会采取更小的网络规模，大概缩减到只有4M旁边；同时办理AnimeGANv2的一些不敷（比如v2保留了原图过多的细节），让天生的动漫效果质量更高。
这也意味着AnimeGANv3将具备商业化的能力。
而在AnimeGANv3完成之后，他们还会对人脸到动漫的算法进行不断地优化。
One More Thing末了，大家上手之前一定要把稳，虽然AnimeGAN展示的效果都是比较好的，但这有一个大条件：
照片一定要高清、五官只管即便要清晰！
不然画风可能就会变得诡异（作者亲测，欲哭无泪）……
那么，你在漫画里是什么样子？
快去试试吧~
在线Demo：
https://huggingface.co/spaces/akhaliq/AnimeGANv2
Colab版本：
https://colab.research.google.com/drive/1jCqcKekdtKzW7cxiw_bjbbfLsPh-dEds?usp=sharing#scrollTo=niSP_i7FVC3c
GitHub地址：
https://github.com/TachibanaYoshino/AnimeGANv2
https://github.com/bryandlee/animegan2-pytorch
参考链接：
[1]https://www.reddit.com/r/MachineLearning/comments/qo4kp8/r_p_animeganv2_face_portrait_v2/[2]https://user-images.githubusercontent.com/26464535/137619176-59620b59-4e20-4d98-9559-a424f86b7f24.jpg[3]https://twitter.com/chriswolfvision/status/1457489986933170179
— 完 —
量子位 QbitAI · 头条号签约
关注我们，第一韶光获知前沿科技动态