B 站 Up 主自制秃头生成器，一键 get 张东升同款发型，网友：秃的太过真实
最近《隐秘的角落》可谓火爆全网，剧中秦昊扮演的张东升一角更是深入人心。如果盘点张东升的名场面，肯定少不了这一幕：“想看看二十年后的自己吗？
两边蜘蛛网，中间溜冰场，作为一名数学老师，张东升年级轻轻已经秃成这样。虽然剧中是化妆特效，不过脱发已经成为年轻人的普遍焦虑，尤其是从事科研、程序员等高压行业的年轻人，好像秃顶已成为注定的宿命，有多少人曾想象过自己二十年后会秃成什么样？
在看完《隐秘的角落》后，B 站 Up 主 MarsLUL 决定用代码来实现自己的“梦想”。MarsLUL 是谷歌的一名在职程序员，曾在加利福尼亚大学（UC Irvine）学习计算机相关专业。
在最近上传的一则视频中，他利用 StyleGAN 自制了一款秃顶生成器，可以从发量浓密的现在分分钟看到二十年后发量稀疏的自己。先来看一下效果如何？
再来看 MarsLUL 的，这画面简直无法接受。
网友们的评论更是扎心：仿佛看到了我的未来。
UP 主暂时没有分享出全部代码，但如果你也有脱发焦虑，想看看二十年后的自己，不妨来如法炮制一下，预知一下自己未来秃头后的颜值（误）。
（可能有些筒子，不用模拟，已经秃了）
详细教程
MarsLUL 提到，该生成器的思路和代码大部分来源于一篇 Medium 教程《Hairstyle Transfer — Semantic Editing GAN Latent Code》。
教程地址：https://medium.com/swlh/hairstyle-transfer-semantic-editing-gan-latent-code-b3a6ccf91e82
这里借用了汤晓鸥、周博磊等人在论文《Interpreting the Latent Space of GANs for Semantic Face Editing》提出的「InterfaceGAN」。
潜码估计
首先，我们将输入图像发送到预训练的残差网络中，以便在 StyleGAN 中进行初始潜码估计。然后把这个估计值发送给生成器，这让我们对原始输入图像有一个初步的猜测。对此图像我们可以将预训练的图像分类器应用于特征提取。同时，我们将对输入图像也进行同样的特征提取。
然后在特征空间中，我们执行梯度下降，将特征向量的 L2 损失最小化并更新潜码估计（红色箭头部分）。
现在，我们就可以在 StyleGAN 潜在空间内查找任何图像。
带边界语义编辑
在进行编辑之前，我们需要寻找可以在潜在空间中分离二元属性的特定边界。
每个边界对应一个头发属性。比如：
发型：波浪 / 直发、刘海；
颜色：黑色 / 棕色 / 金色 / 灰色；
发际线：后退发际线；
面部毛发：胡子、鬓角。
但是如何找到边界？首先要做潜在空间分离
最终使用 10 个分别于属性匹配的分类器来生成 2 万个潜码和 score pairs。我们在头发属性上训练独立线性 SVM，然后在验证集上进行评估，最终准确性可以达到 80%。
把它们放在一起，对于每个输入图像，我们先在 StyleGAN 潜在空间中找到其特定位置，然后将其按照特定方向移动，以进行语义编辑。
我们对每个属性使用线性超平面，将其法线向量作为输出面相对于目标属性连续变化的方向。例如在上图中，我们在 StyleGAN 空间中找到了年轻的莱昂纳多 · 迪卡普里奥的图像隐代码，绘制了与刘海超平面正交的方向，将隐代码的位置沿该方向移动。这样我们就可以创建不同刘海状态的，迪卡普里奥的图片了。
最后，说到条件边界（Conditional Boundary），它也在 InterfaceGAN 中被引入。通常，许多属性会相互耦合，比如发际线与人的年龄相关，长发更多出现在女性照片中，胡须仅出现在男性面部。但是把不同属性区分开非常重要。
小编奉上完整视频链接，看 UP 主亲自示范，希望大家都能成为发量浓密的程序猿。
https://www.bilibili.com/video/BV1ot4y197MG?from=search&seid=2383888781525915306
整理了一波之前发布的资源，无套路领取！
版权声明: 本文为 InfoQ 作者【程序员生活志】的原创文章。
原文链接:【http://xie.infoq.cn/article/3100692663d55a235b0efbd87】。文章转载请联系作者。
公众号：程序员生活志 2020.06.15 加入
专属程序员圈子！
评论 (1 条评论)