El generador de calvicie casero de Bilibili Up puede crear el mismo peinado de Zhang Dongsheng con un solo clic. Internautas: la calvicie es demasiado real.

Hay telarañas a ambos lados y una pista de hielo en el medio. Como Zhang Dongsheng, profesor de matemáticas, ya era calvo cuando estaba en el grado. Aunque el programa trata sobre cirugía plástica con efectos especiales, la caída del cabello se ha convertido en una ansiedad común entre los jóvenes, especialmente aquellos que trabajan en industrias de alta presión como la investigación científica y. Programadores Parece que la calvicie se ha convertido en su destino. ¿Cuántas personas han imaginado alguna vez que se quedarán calvas en 20 años?

Después de ver el rincón oculto, MarsLUL, el propietario de Bilibili Up, decidió utilizarlo. código para realizarlo. Su "sueño". MarsLUL es un programador que trabaja en Google. Estudia ciencias de la computación en la Universidad de California (UC Irvine).

En un video subido recientemente, usó StyleGAN para crear. un programa. Con el generador de calvicie, puede verse a sí mismo con el cabello adelgazado 20 años después.

Primero restablezcamos todo el proceso de la línea del cabello de Dongsheng. >

Desde la perspectiva del efecto generacional, excepto por algunas diferencias en el rostro, el peinado final sigue siendo muy consistente.

Mira a MarsLUL de nuevo. Esta imagen es simplemente inaceptable.

Los comentarios de los internautas son aún más sinceros: parece que he visto mi futuro.

Si tú también tienes ansiedad por la caída del cabello, quiero verlo dentro de 20 años, también podrías tenerlo. Lo mismo. A continuación, hablemos en detalle sobre cómo se implementa el generador calvo.

En el video de Bilibili, MarsLUL no muestra el proceso de implementación del código en detalle, sino la tecnología central y los materiales de referencia detallados. Se dan La tecnología utilizada por este generador calvo es la misma que la de los generadores de imágenes comunes en el mercado, que es StyleGAN de NVIDIA, que tiene una excelente calidad de síntesis de imágenes y resolución. El intercambio de rostros realista que usualmente vemos se basa en esto.

Transferencia de peinado basada en la tecnología StyleGAN: edición semántica del código latente GAN (enlace al final del artículo) que detalla cómo mantener la forma de la cara sin cambios. Todo el proceso de cambio de peinado en circunstancias cambiantes.

El principio básico de GAN es aprender el mapeo no lineal de la distribución del espacio latente con datos reales a través del entrenamiento adversario. Por lo general, se desconoce la relación entre el espacio latente y los atributos semánticos. ¿Atributos de peinado generados?

Por lo tanto, la estimación del código latente y la edición semántica resuelven la relación desconocida entre el espacio latente y los atributos semánticos. Aquí, los investigadores explican los principios de los dos módulos. >

Primero, la imagen de entrada se introduce en la red residual previamente entrenada para la estimación del código latente, y luego la estimación generada se introduce en el generador. En este punto, se ha completado la suposición inicial de la imagen de entrada original. En esta imagen, podemos aplicar el clasificador de imágenes previamente entrenado para la extracción de características y, al mismo tiempo, realizar la misma extracción de características en la imagen de entrada.

A continuación, se realiza un descenso de gradiente en el espacio de características para minimizar la pérdida del vector de características L2 y actualizar la estimación del código oculto (flecha roja). Este método de descenso de gradiente de vector de características semánticas tiene más ventajas que el método de descenso de gradiente de pérdida de píxeles, porque el uso de la optimización L2 directamente en el espacio de píxeles caerá en un óptimo local incorrecto.

Generar estimaciones de código potencial

La edición semántica se refiere a editar una imagen con atributos de destino preservando el resto de la información. Aquí, nuestro atributo objetivo es el cabello.

Antes de editar, necesitamos encontrar límites específicos en el espacio latente que puedan separar atributos binarios, donde cada límite corresponderá a un atributo de cabello. Como peinado, color, altura de la línea del cabello, vello facial, etc. ;

Para cualquier atributo binario, hay un hiperplano en el espacio potencial, de modo que todas las muestras del mismo lado tienen los mismos atributos, de modo que se puede entrenar una función lineal independiente responsable de cada atributo. . Entonces necesitamos encontrar un hiperplano en el espacio potencial de 512 dimensiones de StyleGAN.

Para encontrar el hiperplano, debe hacer coincidir los datos del código subyacente y la puntuación de este atributo. Finalmente, los investigadores decidieron utilizar un clasificador previamente entrenado en un gran conjunto de datos (CelebA) para obtener los atributos del cabello. 10 clasificadores con 10 atributos coincidentes generaron aproximadamente 20.000 códigos potenciales y grupos de puntuación. Estos pares de códigos latentes entrenaron SVM lineales independientes en los atributos del cabello, logrando una precisión del 80 % mediante validación y evaluación.

Para cada imagen de entrada, primero encuentre su posición específica en el espacio potencial de StyleGAN y luego muévala en una dirección específica para la edición semántica.

Como se muestra en la figura anterior, los investigadores encontraron el código oculto de la imagen del joven Leonardo DiCaprio en el espacio StyleGAN, dibujando una dirección ortogonal al hiperplano del flequillo, y movieron la ubicación del código oculto en este dirección. Leonardo acabó creando diferentes flequillos.

La siguiente es la representación dinámica final:

Con respecto al límite condicional, los investigadores hablaron de muchas propiedades acopladas entre sí. Por ejemplo, la altura de la línea del cabello está relacionada con la edad. Las mujeres suelen tener el pelo largo y los hombres tienen barbas y patillas más pronunciadas. Por tanto, es muy importante separar el atributo objetivo de sus atributos relacionados.

Debido a esto, este método de editar atributos de caras mediante la búsqueda de límites de hiperplano también tiene algunas deficiencias. Al editar una cara con un atributo, algunos otros atributos también pueden cambiarse debido a sus dependencias. Además, este modelo no puede completar el intercambio de rostros entre géneros. Los investigadores dicen que quizás más clasificadores y entrenamiento con conjuntos de datos especiales puedan resolver los problemas anteriores.

Finalmente, MarsLUL admitió que creó este generador de calvicie para recordarles a todos que deben trabajar correctamente y prevenir la caída del cabello. Les presento un enlace de video completo, esperando que todos puedan convertirse en una persona con mucho cabello.

(Lei Feng.com Lei Feng.com Lei Feng.com)

Dirección de Bilibili:/video/bv 1ot 4y 197mg? de =search&seid=6465326088364452402

/swlh/hairstyle-transfer-semantic-edit-dry-latent-code-b3a6ccf91e82