機器之心報導
參與：肖清、思
隨手拍張照片，順勢轉換為宮崎駿、新海誠等日漫大師的手繪風格作品，這個專門生成動漫圖像的 GAN，實測很好用。
機器之心根據真實店鋪照片生成的效果圖，一度以為，這就是某個日漫番劇的截圖。
儘管最近 2019 年的圖靈獎頒給了計算機圖形學、頒給了皮克斯 3D 動畫，但很多人可能認為二維動漫更有意思一些。像宮崎駿、新海誠這些大師手繪下的動漫，才有了靈魂，張張都能成為壁紙，而整個日漫也以二維為核心。
如果有模型能將真實畫面轉化為日漫風格的手繪畫面，那一定非常炫酷。最近機器之心發現確實有這些模型，從 CartoonGAN 到 AnimeGAN 都能生成非常有意思的圖像。
這裡有一個 TensorFlow 新項目，它實現了 AnimeGAN，並提供了預訓練模型。也就是說，我們下載後可以直接試試生成效果。作為日漫風格的愛好者，我們很快就試用了一下新項目。
項目地址：https://github.com/TachibanaYoshino/AnimeGAN
雖然原項目給出的最佳示例很多都是街景，但我們發現各種場景也都還行，如下是我們試用的原圖與生成效果。看看第一張櫻花道生成效果，忽然有一種《千與千尋》的感覺。
如果只針對人物，轉換效果也是非常不錯的。我們嘗試將新垣結衣的照片輸入 AnimeGAN 模型，然後就有如下這種神奇的畫風，感覺直接用到動漫裡也沒什麼問題了。
在原 GitHub 項目中，作者還給了非常多的示例，上面只是機器之心試用的結果，你也可以來用一用。
AnimeGAN
整個項目實現的是論文「AnimeGAN: a novel lightweight GAN for photo animation」中所提方法，作者在論文中分別將 AnimeGAN 與 CartoonGAN、ComixGAN 進行對比。
從圖中可以看到，AnimeGAN 在細節方面的表現要優於以上兩種方法，色彩相對而言更加自然，塗抹感也沒有那麼強烈。最明顯的是第二行的效果圖，使用 AnimeGAN 生成的漫畫更加接近宮崎駿的畫風。
方法簡介
對於這個項目的 AnimeGAN，如下所示為 AnimeGAN 所採用的生成器網絡與判別器網絡。看起來模型整體是比較常規地一個卷積神經網絡，但它會採用實例歸一化以及新型的 LReLU 激活函數.
除了架構細節上的更新外，作者還提出了以下三個新的損失函數：
灰度風格（grayscale style）loss灰度對抗（grayscale adversarial）loss色彩重構（color reconstruction）loss這些損失函數能夠讓生成圖片的風格更加接近於真實的漫畫風格。
下表比較了 ACartoonGAN 與 AnimeGAN 的模型大小與推理速度。可以明顯看出，AnimeGAN 是個相對輕量級的 GAN，具有更少的參數量以及更快的推理速度。
總體來說，新提出來的 AnimeGAN 是一種輕量級的生成對抗模型，它採用了較少的模型參數，以及引入格拉姆矩陣（Gram matrix）來加強照片的風格。研究者的方法需要採用一系列真實圖片與一系列動漫圖片做訓練，且這些圖片並不需要成對匹配，這就表明訓練數據非常容易獲得。
項目實測
我們在 Ubuntu 18.04 下對本項目進行了測試，相關依賴環境如下：
python 3.6.8tensorflow-gpu 1.8opencvtqdmnumpyglobargparse這些依賴項可以說都是 CV 中常用的擴展庫，我們就不用費盡心思去解決各種依賴環境衝突的問題了，這裡給個好評。
以下是本項目的訓練及測試詳細流程。我們首先將 AnimeGAN 項目克隆到本地，在 Jupyter notebook 中輸入：
!git clone https://github.com/TachibanaYoshino/AnimeGAN
將工作目錄切換到 AnimeGAN：
import osos.chdir('AnimeGAN')print(os.getcwd())
接下來下載項目作者提供的預訓練模型，使用 vim download_staffs.sh 創建一個 Shell 文件，輸入如下命令：
URL=https://github.com/TachibanaYoshino/AnimeGAN/releases/download/Haoyao-style_V1.0/Haoyao-style.zipZIP_FILE=./checkpoint/Haoyao-style.zipTARGET_DIR=./checkpoint/saved_modelmkdir -p ./checkpointwget -N $URL -O $ZIP_FILEmkdir -p $TARGET_DIRunzip $ZIP_FILE -d $TARGET_DIRrm $ZIP_FILEDatesetURL=https://github.com/TachibanaYoshino/AnimeGAN/releases/download/dataset-1/dataset.zipZIP_FILE=./dataset.zipTARGET_DIR=./datasetrm -rf datasetwget -N $DatesetURL -O $ZIP_FILEunzip $ZIP_FILE -d $TARGET_DIRrm $ZIP_FILEVGG_FILE=./vgg19_weight/vgg19.npywget --load-cookies /tmp/cookies.txt "https://docs.google.com/uc?export=download&confirm=$(wget --quiet --save-cookies /tmp/cookies.txt --keep-session-cookies --no-check-certificate 'https://docs.google.com/uc?export=download&id=1U5HCRpZWAbDVLipNoF8t0ZHpwCRX7kdF' -O- | sed -rn 's/.*confirm=([0-9A-Za-z_]+).*/\1\n/p')&id=1U5HCRpZWAbDVLipNoF8t0ZHpwCRX7kdF" -O $VGG_FILE && rm -rf /tmp/cookies.txt
保存後退出，以上命令會將預訓練的模型、vgg19 權重以及訓練數據集下載並保存到其對應目錄下。在 notebook 中運行：
!bash download_staffs.sh
至此即完成所有準備工作，運行如下代碼就可以對模型進行訓練了：
!python main.py --phase train --dataset Hayao --epoch 101 --init_epoch 1
AnimeGAN 的訓練過程如下圖所示：
當進行測試時，我們需要將用於測試的圖片保存到 dataset/test/real 目錄下，並運行如下代碼：
!python main.py --phase train --dataset Hayao --epoch 101 --init_epoch 1
AnimeGAN 的訓練過程如下圖所示：
當進行測試時，我們需要將用於測試的圖片保存到 dataset/test/real 目錄下，並運行如下代碼：
!python test.py --checkpoint_dir checkpoint/saved_model --test_dir dataset/test/real --style_name H
當看到以上輸出說明程序已經成功運行完成，生成結果保存在 results 文件夾下。可以看到，在 P100 GPU 上生成一幅圖片需要大約 2.3 秒左右。