效果爆炸的漫畫變身AI，火到服務(wù)器幾度擠爆
本文經(jīng)AI新媒體量子位（公眾號ID:QbitAI）授權(quán)轉(zhuǎn)載，轉(zhuǎn)載請聯(lián)系出處。
排隊1241人，等待2600秒……”
——這屆網(wǎng)友為了看一眼自己在動漫里的樣子，可真是拼了！
“始作俑者”是一款可以把人像變動漫的生成器。
只需一張圖片或一段視頻，無論男女老少、明星素人都可以一睹自己的“動漫風采”～
什么“國民老婆”王冰冰：
什么“國民妹妹”IU：
什么科技圈大佬、EDG成員、金發(fā)美女、容嬤嬤……
發(fā)絲、眉宇，甚至眼神里流露出來的情緒，都給你“描繪”得淋漓盡致……
△ 視頻效果
這也難怪網(wǎng)友把服務(wù)器都給擠爆了。
隨便翻翻大家的作品，簡直是深不見底。
再看看GitHub上的相關(guān)項目，果然也沖上了趨勢榜第一名。
這個AnimeGAN，真是厲害了！
如何給自己捏一個動漫臉？
看完展示的效果，你是不是也想打造一個自己專屬的漫畫臉了呢？
這個可以有，現(xiàn)在就手把手教你。
第一種方法就very very簡單了，只需要上傳一張照片就可以。
提供在線玩法的網(wǎng)站（鏈接見文末），就是那個著名的抱抱臉 （Hugging Face）。
它專門開設(shè)了一個在線AnimeGANv2的App，直接把圖片“丟”進去就好。
BUT?。。?/strong>
也正如剛才提到的，現(xiàn)在這個AI著實有點太火了，簡單的在線方法，就等同于排大隊。
這不，等了5259秒之后，前面還有15人……
如果不想排隊怎么辦？
接下來，就是第二種方法了——上代碼！
熱心網(wǎng)友在苦等了3小時之后，終于還是忍不住了，強烈安利Colab版本（鏈接見文末）：
先運行一下文檔里的前兩段代碼，然后只需要簡單修改照片路徑即可。
當然，如果想加大難度挑戰(zhàn)一下，AnimeGANv2的GitHub項目也是有的哈：
以上介紹的方法都是用圖片轉(zhuǎn)換，如果你想用視頻的話，在AnimeGANv2項目中執(zhí)行下面這兩條命令就OK：
當然，該項目的Pytorch實現(xiàn)也有，不過Pytorch版本目前只支持圖片轉(zhuǎn)換；如果想轉(zhuǎn)視頻，暫時就需要你自己寫個腳本了～
風格遷移+GAN
那么，如此效果的背后，到底是用了什么原理呢？
AnimeGAN是來自武漢大學(xué)和湖北工業(yè)大學(xué)的一項研究，采用的是神經(jīng)風格遷移 + 生成對抗網(wǎng)絡(luò)（GAN）的組合。
它其實是基于CartoonGAN的改進，并提出了一個更加輕量級的生成器架構(gòu)。
AnimeGAN的生成器可以視作一個對稱的編碼器-解碼器網(wǎng)絡(luò)，由標準卷積、深度可分離卷積、反向殘差塊、上采樣和下采樣模塊組成。
為了有效減少生成器的參數(shù)數(shù)量，AnimeGAN的網(wǎng)絡(luò)中使用了8個連續(xù)且相同的IRB（inverted residual blocks）。
在生成器中，具有1×1卷積核的最后一個卷積層不使用歸一化層，跟隨其后的是tanh非線性激活函數(shù)。
上圖中，K為內(nèi)核大小，C為特征圖數(shù)量，S為每個卷積層的跨度，H是特征圖的高度，W是特征圖的寬度，Resize值用于設(shè)置特征圖大小的插值方法，⊕表示逐元素加法。
而此次的V2版本，是基于第一代AnimeGAN的升級，主要解決了模型生成的圖像中存在高頻偽影的問題。
具體而言，所采取的措施是使用特征的層歸一化（layer normalization），來防止網(wǎng)絡(luò)在生成的圖像中產(chǎn)生高頻偽影。
作者認為，層歸一化可以使feature map中的不同通道，具有相同的特征屬性分布，可以有效地防止局部噪聲的產(chǎn)生。
AnimeGANv2的生成器參數(shù)大小為8.6MB，而AnimeGAN的生成器參數(shù)大小為15.8MB。
它倆使用的鑒別器大致相同，區(qū)別在于AnimeGANv2使用的是層歸一化，而不是實例歸一化（instance normalization）。
網(wǎng)友：我變漂亮了
這個AI可算是圈了一眾粉絲。
有些網(wǎng)友“沖進二次元”之后，發(fā)現(xiàn)了自己驚人的美貌：
它把我變漂亮了！
而且非常驕傲的曬出了自己的漫畫臉。
還有網(wǎng)友看完比爾蓋茨的效果之后，直呼：
天！蓋茨看起來聰明又性感。
作者：生成效果更好的AnimeGANv3也快來了
AnimeGAN的原作者一共有3位，分別是湖北工業(yè)大學(xué)的劉罡副教授，陳頡博士，以及他們的學(xué)生Xin Chen。
這個項目的誕生主要出于團隊成員的個人興趣，也就是對二次元宅文化和對藝術(shù)的熱愛。
作者之一陳同學(xué)介紹，AnimeGAN和AnimeGANv2分別耗時2-3個月完成，其中遇到了不少困難。
其中就包括硬件資源的極度匱乏，比如當時做AnimeGAN用到的英偉達單卡服務(wù)器還是由該校藝術(shù)設(shè)計學(xué)院的院長饒鑒教授提供，而他負責的研究也曾依賴于向其他同學(xué)借機器跑實驗。
到了AnimeGANv2時，就只剩一臺單卡2080ti服務(wù)器供使用了。
不過，所有努力都沒有白費，如今AnimeGAN已受到非常多人的關(guān)注和喜歡，這讓陳同學(xué)和他的導(dǎo)師團隊都非常有成就感。
要知道，就連新海誠導(dǎo)演都曾轉(zhuǎn)發(fā)過AnimeGAN的作品呢。
但，這項以興趣愛好為驅(qū)動的科研項目并不只是“圖個好玩”。
在我們與該團隊的交流當中，他們表示：
主要目標還是以學(xué)術(shù)論文為里程牌，以項目能工程化落地到實際應(yīng)用中為最大期待。
而接下來，AnimeGANv3也快來了。
它到時會采用更小的網(wǎng)絡(luò)規(guī)模，大概縮減到只有4M左右；同時解決AnimeGANv2的一些不足（比如v2保留了原圖過多的細節(jié)），讓生成的動漫效果質(zhì)量更高。
這也意味著AnimeGANv3將具備商業(yè)化的能力。
而在AnimeGANv3完成之后，他們還會對人臉到動漫的算法進行不斷地優(yōu)化。
One More Thing
最后，大家上手之前一定要注意，雖然AnimeGAN展示的效果都是比較好的，但這有一個大前提：
照片一定要高清、五官盡量要清晰！
不然畫風可能就會變得詭異（作者親測，欲哭無淚）……
那么，你在漫畫里是什么樣子？
快去試試吧~
在線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
