不敢相信，上面這些人臉，全都是假的。
是英偉達的AI生成的。
借用風格遷移的思路，團隊為GAN創造了一種新的生成器。
連GAN之父Goodfellow老師也忍不住發推稱讚優秀！
這個結構不需要人類監督，可以自動分離圖像中的各種屬性。這樣，在或粗糙或精細的不同尺度上，人類便能自如地控制GAN的生成。
另外，英偉達的人臉生成模型，支持1024 x 1024的高清大圖生成。畢竟，GAN從小吃的是高清數據集。團隊還說，數據集很快就要開源了。
實際效果展示
人物自然，背景自然，邊緣又自然。足以騙過我這個普通人類的肉眼了。
輸入兩張圖，圖A決定生成人物的性別，年齡，頭髮長度，以及姿勢；一張決定其他一切因素：比如膚色、髮色、衣服顏色等等。
這樣，就可以把圖B的一部分人物特徵，遷移到圖A上了：
不過，人臉的朝向和表情，還是A的。
就算人種發生劇烈變化，也絲毫不會違和。你看，把非裔人類的臉部特徵“移植”給四位白種人，嘴唇的厚度、鼻子的形態，以及額頭，都有明顯的變化。
再來看看從不同尺度調節的效果吧。
這是粗糙尺度 (Coarse Styles) ，也是三種尺度中最大規模的調整，會涉及臉部朝向的變化，臉型和髮型也是在這裡調整的：
然後看看中間尺度 (Middle Styles) ，調整僅限於面部特徵和髮色髮量了，姿勢、髮型、臉型都不會有明顯變化：
再來就是
精細尺度 (Fine Styles) ，只是調整圖像的配色，幾乎不會給人物變臉了：
全新的生成器
我們前面說過，這個GAN不用人類監督，就可以自動分割圖像裡的各種部分。
經過訓練，它就可以把這些部分，按照一定的方式組合到一起。
具體怎麼組合呢：
這種新的生成器，像風格遷移算法一樣，把一張圖像，看做許多風格 (Styles) 的集合。
每種風格都會在一個不同的尺度 (Scale) 上控制圖像的效果：
粗糙 (Coarse Styles) ：姿勢、頭髮、臉型。中度 (Middle Styles) ：面部特徵、眼睛。精細 (Fine Styles) ：配色。三者組合在一起，才是最終的生成結果。
調節不同“風格”，就可以在不同尺度上調節人臉圖片。
另外，這隻GAN還可以自動把那些無關緊要的變化 (Inconsequential Variation) 剔除出去。
所謂無關緊要，就是說畫面發生了變化，但看上去主角還是原來的主角。粗糙的噪音：如大尺度上的捲髮程度。精細的噪音：更加精細的細節，如質地等。無噪音：沒有特徵的、像畫畫一樣的樣子 (Featurelessly “painterly” look) 。
相同圖片，輸入不同的噪音，效果就不一樣。
人類也可以選擇，每種Style的強度 (Strength) 多大。
選擇高強度 (High Strength) 的話，生成的圖像就會比較多樣化，但生成壞圖也會有一些。
如果是低強度 (Low Strength) ，生成的圖像之間不會有太多變化，但也幾乎不會出現壞圖。
從結構上來看，這個新的生成器是這樣的：
傳統的圖像生成器僅通過輸入層提供潛在編碼（Latent Code），英偉達從一開始就捨棄了這種設計方案。
就像上圖展示的那樣，他們設計的新生成器先將輸入從潛在空間Z映射到中間的潛在空間W，將映射網絡生成結果輸入到下一層。在生成網絡g每次卷積運算之後，加入高斯噪聲（Gaussian noise），也就是圖像的隨機變化。
圖像在不同尺度上的“風格”，就是由上面的每個卷積層控制的，它實現了直接控制各層級的圖像特徵強度（Strength）。
從生成圖像中的隨機自動變化中。它可以無監督地從中分離出圖像的“風格”。
發佈更強人臉數據集
除了發佈圖像生成算法外，英偉達從Flickr中選取了7萬張1024×1024分辨率的照片，形成了一個新的人臉數據集FFHQ（Flickr-Faces-HQ）。
它能提供了高度多樣化、高質量的人臉數據，並且涵蓋了比現有高分辨率數據集（如CelebA-HQ）更多的變化，比如更多佩戴眼鏡、帽子的照片。
英偉達將在不久後公開提供此數據集，並放出源代碼和預訓練網絡。
最後，給廣大貓奴們送出福利。英偉達的圖片生成器不僅能用於人臉，研究人員還用
LSUN數據集造出了很多貓咪的圖片。
你能看出它們都是假的嗎？
來源：量子位
