原創 Synced 機器之心
機器之心報導
作者：張倩、魔王
get 了這個網站，今年萬聖節 C 位就是你的！
AI 是一個盛產陰間產品的領域，這一點似乎已經毋庸置疑。前不久，有人做了個用來生成「大眼萌」漫畫形象的網站「」，但很快就有人走向了另一個極端：用類似技術做一個喪屍生成器！
利用 Toonify 生成的威爾 · 史密斯漫畫形象。
利用「喪屍生成器」生成的威爾 · 斯密斯喪屍形象。
這種搞笑又驚悚的風格似乎和即將到來的萬聖節很般配。
為了讓大家都用上這個效果，作者還專門做了一個名為「MAKE ME A ZOMBIE」的網站。
網站地址：https://makemeazombie.com/
網站的用法非常簡單：上傳照片，點擊「Make Me A Zombie！」，網站就會自動識別出人臉並生成你的喪屍照：
看了生成效果之後，有人表示想在萬聖節 Party 上做一個照相棚，希望作者能夠開放代碼或 API。
看來，有了這個生成器，萬聖節不用愁換什麼頭像了。
技術細節
據作者介紹，該模型的開發與 Toonify 並無關聯，不過碰巧使用的是相同的技術棧：
該項目首先通過遷移學習得到一個 StyleGAN2 喪屍生成器，然後基於《Cross-Model Interpolations between 5 StyleGanV2 models - furry, FFHQ, anime, ponies, and a fox model》創建了一個混合型 StyleGAN2 模型。該模型中前面一些層來自原始人類圖像生成器，後面一些層則來自喪屍生成器。最後，項目作者閱讀論文《StyleGAN2 Distillation for Feed-forward Image Manipulation》後，使用了 50000 個圖像對（分別來自人類 StyleGAN2 生成器和喪屍生成器），並使用 Pix2PixHD 學習圖像對之間的映射。
不過，該項目所用方法與 Toonify 之間存在兩個細微差異：
該項目通過 crappify 進行輸入數據增強（https://github.com/fastai/course-v3/blob/master/nbs/dl1/crappify.py）：有目的地調整圖像大小和引入壓縮偽影；
混合模型可能存在差異，該項目所用模型著重於原始圖像的形狀和方向，而不是喪屍圖像的紋理，而 Toonify 模型正相反。
該項目使用的喪屍數據集包含大約 300 張萬聖節喪屍面具和喪屍妝圖像，主要來自 Pinterest 和 Google，並經過手動篩選刪除非喪屍圖像。
在項目開發過程中，作者遇到了一些困難。去年作者使用 CycleGAN 在相同的數據集上進行過嘗試，但效果一般。最初，項目作者嘗試創建一個生成「一半人類一半喪屍」圖像的生成器。作者將數百個樣本分成兩個類別，並使用支持向量機（SVM）學習分離超平面，以確定潛在空間中的「喪屍」方向。之後作者基於人臉圖像生成特定的喪屍，並以此作為 Pix2Pix 數據的基礎。但這存在一些問題：1）儘管它可以基於人臉數據良好運行，但生成結果平平無奇；2）喪屍和種族之間存在一些問題，作者並不想創造一個種族改變器。
項目作者使用配備 2080Ti 的計算機，在大約一天的時間中基於 1024x1024 圖像訓練模型。具體而言，StyleGAN2 使用的是預訓練的人臉生成器，只需幾小時就能生成喪屍照。Pix2PixHD 部分花費的時間較長，它並未基於面部圖像進行預訓練，其初始輸入為原始面部圖像的模糊單色圖像，經過大約一天的訓練後，它給出了不錯的結果。
和以往很多 AI 應用一樣，這個「喪屍生成器」也引發了部分用戶對於隱私問題的擔憂。不過，網站製作者表示：「我們只用您的照片生成喪屍照。這些照片甚至都不會存檔，因此我們這邊也不會有記錄。」
「MAKE ME A ZOMBIE」網站的隱私政策。
一大波「喪屍照」即將刷屏
在 Twitter 上，已經有不少網友試用了這款喪屍生成器。測試顯示，小 baby 的照片也可以成功轉換，而且還加上了很多牙齒。
然而，並不是每個轉換效果都可以用「可愛」來形容：
帕瓦羅蒂的喪屍照。
甚至有些能檢測到人臉的表情包也可以拿來玩：
受好奇心的驅使，機器之心編輯部也用內部照片進行了測試，結果……
如果你也對這個生成器感興趣，不妨一試，說不定萬聖節最「靚」的仔就是你了~
參考連結：
https://www.reddit.com/r/MachineLearning/comments/jhl36y/p_turn_yourself_into_a_zombie_with_a_neural/
原標題：《萬聖節定製「喪屍生成器」，編輯部親測，效果鬼畜》
閱讀原文