淺析“人臉生成”網(wǎng)站的相關(guān)技術(shù)

陽(yáng)雪 楊博

摘 要：近年來(lái)人工智能發(fā)展非常迅速，有不少人工智能領(lǐng)域的科研成果成功“出圈”，走進(jìn)大眾視野。其中一項(xiàng)人臉生成技術(shù)令全世界感到震驚，因?yàn)閮H靠人的眼睛已經(jīng)無(wú)法明顯區(qū)分由該技術(shù)生成的照片與真實(shí)照片之間的差異。在驚訝之余也有不少人希望了解這項(xiàng)技術(shù)具體是如何實(shí)現(xiàn)的，對(duì)此，本文將作簡(jiǎn)要分析。

關(guān)鍵詞：人工智能;人工神經(jīng)網(wǎng)絡(luò);StyleGAN

2019年初，網(wǎng)站“這個(gè)人不存在”一經(jīng)發(fā)布便火遍全網(wǎng)。每次進(jìn)入網(wǎng)站，頁(yè)面會(huì)展示一張面帶微笑的人臉照片。但神奇的是，圖片上看起來(lái)如此逼真的人臉，其實(shí)并不存在于這個(gè)世界。這些人臉是AI，即人工智能生成的。網(wǎng)站的創(chuàng)建者Philip Wang在社交網(wǎng)站上表明，他希望通過(guò)這種方式提高大眾對(duì)一項(xiàng)最新研究成果StyleGAN的認(rèn)知。StyleGAN是NVIDIA于2018年發(fā)布的新項(xiàng)目，歸屬于人工智能領(lǐng)域的人工神經(jīng)網(wǎng)絡(luò)范疇。對(duì)于這項(xiàng)技術(shù)具體是怎么實(shí)現(xiàn)的，應(yīng)該從源頭講起。

一、人工神經(jīng)網(wǎng)絡(luò)

當(dāng)前的人工智能分為三個(gè)學(xué)派。一是符號(hào)主義，符號(hào)主義認(rèn)為人工智能起源于數(shù)學(xué)領(lǐng)域。二是連接主義，原理是模擬大腦的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。三是行為主義，主要原理是控制加感知，通過(guò)模擬生物的行為來(lái)實(shí)現(xiàn)人工智能。

而我們要說(shuō)的人工神經(jīng)網(wǎng)絡(luò)則歸屬于連接主義。它類(lèi)似大腦，由特定結(jié)構(gòu)的神經(jīng)元及連接方法構(gòu)成。為了模擬神經(jīng)元之間信息的傳遞，每個(gè)基本處理單元都被合適的變換函數(shù)控制其狀態(tài)。網(wǎng)絡(luò)包含多個(gè)層次，這些層被歸類(lèi)為三個(gè)種類(lèi)，即輸入層，隱藏層，輸出層。

由于人工智神經(jīng)網(wǎng)絡(luò)具有運(yùn)算速度高，適應(yīng)性強(qiáng)，容錯(cuò)力強(qiáng)和自組織的優(yōu)良特性，使得深度學(xué)習(xí)這個(gè)新的研究方向誕生。相比人工神經(jīng)網(wǎng)絡(luò)，深度學(xué)習(xí)算法強(qiáng)調(diào)的是網(wǎng)絡(luò)結(jié)構(gòu)的深度。目前經(jīng)典的深度學(xué)習(xí)模型包括自動(dòng)編碼器神經(jīng)網(wǎng)絡(luò)，深度信任神經(jīng)網(wǎng)絡(luò)和卷積神經(jīng)網(wǎng)絡(luò)等。卷積神經(jīng)網(wǎng)絡(luò)可以算是人工智能在圖像識(shí)別應(yīng)用領(lǐng)域最主流的算法之一，在大數(shù)據(jù)的支持下，卷積神經(jīng)網(wǎng)絡(luò)可以對(duì)大批圖像進(jìn)行準(zhǔn)確分類(lèi)。

二、StyleGAN

（一）StyleGAN的基本模型

StyleGAN是基于生成對(duì)抗網(wǎng)絡(luò)研發(fā)的。生成對(duì)抗網(wǎng)絡(luò)是無(wú)指導(dǎo)的卷積神經(jīng)網(wǎng)絡(luò)中最具前景的方法之一。它是lanJ.Goodfellow等人在2014年提出的通過(guò)對(duì)抗過(guò)程預(yù)計(jì)生成模型的新型框架。對(duì)抗過(guò)程即為GANS的核心，由生成模型和判別模型組成。生成模型，指在給出的樣本上，使用某個(gè)模型來(lái)生成新的數(shù)據(jù)。判別模型則有一個(gè)判斷標(biāo)準(zhǔn)，或者說(shuō)判斷界限，通過(guò)這個(gè)界限去區(qū)分樣本。簡(jiǎn)單來(lái)說(shuō)，GANs中生成模型用于盡可能地創(chuàng)造一張?jiān)谌祟?lèi)角度看來(lái)是真實(shí)的圖片，而判斷模型的任務(wù)是區(qū)分真實(shí)和偽造的圖片。通過(guò)不斷博弈，若生成模型成功“欺騙”了判別模型，那么我們的目的就達(dá)到了。

單從原理上講，生成對(duì)抗網(wǎng)絡(luò)的生成模型和判別模型并沒(méi)有什么限制，我們可以使用任何生成模型和判別模型去實(shí)現(xiàn)，生成對(duì)抗網(wǎng)絡(luò)主要是提供了一種框架。正因?yàn)槿绱耍蓪?duì)抗網(wǎng)絡(luò)目前已衍生出上百種模型，在這些模型的基礎(chǔ)上，又產(chǎn)生了許多變種，使得其功能更完善，網(wǎng)絡(luò)結(jié)構(gòu)更穩(wěn)定。

（二）StyleGAN的前身

作為GANs的衍生種類(lèi)，ProGAN希望生成的圖像有超高的分辨率。若要達(dá)此目的，GANs的網(wǎng)絡(luò)結(jié)構(gòu)會(huì)非常多，從而造成訓(xùn)練這樣一個(gè)網(wǎng)絡(luò)既困難又費(fèi)時(shí)。為了解決這一阻礙，ProGAN的思路是，最初訓(xùn)練的時(shí)候，使網(wǎng)絡(luò)的層數(shù)較少，這樣我們非常容易就能生成圖片，但圖片的分辨率自然會(huì)很低。在訓(xùn)練過(guò)程中，逐步加深網(wǎng)絡(luò)層數(shù)，隨著訓(xùn)練次數(shù)的增加，生成的圖片也會(huì)越來(lái)越高清，最終甚至能生成1024*1024分辨率的圖片。通過(guò)這樣的方法，ProGAN的學(xué)習(xí)速度比傳統(tǒng)的GANs高出2到6倍。

由于ProGAN每次增加層數(shù)時(shí)，開(kāi)發(fā)者沒(méi)有對(duì)其增加控制，而是完全由模型直接生成。我們無(wú)法得知在此過(guò)程中模型具體學(xué)習(xí)到了什么。訓(xùn)練時(shí)，樣本規(guī)模大，特征量多，且特征之間是互相關(guān)聯(lián)的，因此ProGAN控制生成具有特定特征圖像的能力非常有限。

（三）StyleGAN的改進(jìn)

若我們希望網(wǎng)絡(luò)能生成我們具體想要的圖片，就需要對(duì)圖片生成過(guò)程中網(wǎng)絡(luò)學(xué)習(xí)到的特征加以控制。StyleGAN便是在此基礎(chǔ)上做了進(jìn)一步的改進(jìn)。那么，StyleGAN具體做了什么呢？

StyleGAN發(fā)現(xiàn)，如果使用較好的方法，是可以實(shí)現(xiàn)特征的控制的。由于層數(shù)的不同生成圖片的分辨率也不同，其中的特征也伴隨分別率的從低到高由粗糙到高品質(zhì)，若以此分類(lèi)，可以將這些特征分為三個(gè)種類(lèi)。最低等的粗糙特征主要是人物姿勢(shì)，發(fā)型輪廓和面部表情等;中等的特征則是五官的形狀，發(fā)型等;而高品質(zhì)的特征則是五官的細(xì)微特征等。

首先，為了減少特征之間的關(guān)聯(lián)性，增加映射網(wǎng)絡(luò)，將輸入向量重新編碼為中間向量，通過(guò)中間向量的屬性來(lái)控制特征，輸入變量用常量值代替。然后通過(guò)自適應(yīng)實(shí)例標(biāo)準(zhǔn)化模塊將中間向量傳輸?shù)缴傻膱D像中。為了使生成的圖像不失隨機(jī)性，StyleGAN還將如雀斑，痣，法令紋等更細(xì)微的特征作為隨機(jī)噪聲添加到輸入向量中。另外，StyleGAN還使用了樣式混合，截取中間向量和微調(diào)網(wǎng)絡(luò)的超參數(shù)等技巧使生成的圖像更逼真。

三、總結(jié)

目前這類(lèi)人臉生成網(wǎng)站功能愈加完善，從最初只能生成歐美的成人面部，到現(xiàn)在衍生出“高顏值”生成，“動(dòng)漫人臉”生成和“亞洲人”生成等類(lèi)型，甚至可以定制生成的圖片。NVIDIA官方已經(jīng)將StyleGAN的代碼開(kāi)源，感興趣的朋友可以在官方網(wǎng)站下載，并在Linux及Windows上運(yùn)行。對(duì)于該技術(shù)，有少數(shù)人表達(dá)了他們的焦慮，如今人工智能生成的圖片足夠以假亂真了，怎么避免有不懷好意的人用此技術(shù)做些違法犯罪的事情？好在目前已有學(xué)者在研究深度判別偽造圖片的技術(shù)，同時(shí)我相信政府也會(huì)出臺(tái)相應(yīng)政策規(guī)范此類(lèi)技術(shù)的發(fā)展。

參考文獻(xiàn)

[1]蔡自興等著.人工智能及其應(yīng)用[M].北京：清華大學(xué)出版社.2016.

[2]陳先昌.基于卷積神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)算法與應(yīng)用研究[D].浙江工商大學(xué)，2014.

[3]王坤峰，茍超，段艷杰，林懿倫，鄭心湖，王飛躍.生成式對(duì)抗網(wǎng)絡(luò)GAN的研究進(jìn)展與展望[J].自動(dòng)化學(xué)報(bào)，2017，43（03）：321-332.

作者簡(jiǎn)介

陽(yáng)雪（1998—），女，漢族，四川廣安，本科，研究方向：計(jì)算機(jī)。

楊博（1999—），男，漢族，四川廣元，本科，研究方向：計(jì)算機(jī)。