情人节「老婆生成器」:用AI创建浪漫伴侣,编辑亲测有效

新智元

共 2920字,需浏览 6分钟

 ·

2021-02-17 07:38



  新智元报道  

来源:BuzzFeed

编辑:LQ、小匀

【新智元导读】厌倦了和烦人的、没有自信的人类约会?想要直接设计你的完美情人?没问题!只需回答几个简单的问题,BuzzFeed实验室和它的BF-GAN-69人工智能就能帮你生成你的理想伴侣。

今天是情人节,还没有男/女朋友?没关系,来用AI定制专属你的那个「ta」吧!
 
AI是个无所不能的东西,这一点毋庸置疑。
 
美国媒体公司BuzzFeed推出了一个AI新游戏——通过几个快问快答「用AI创造你的完美男友/女友」。
 
 
负责该测试的产品总监Chris Johanesen说,这个游戏其实也是想「取笑我们所有人的处境」(隔离),以及 「怪异的在线约会」。
 

get这个技术,看看你的理想型是谁?


要参加测验,你需要回答几个问题:你想要的理想伴侣是什么样。
 
这些问题通常很常见,没有什么特别之处,但答案比较独特。
 
测试链接:
https://www.buzzfeed.com/buzzfeedlabs/create-your-perfect-ai-soulmate
 
第一个问题先确定测试者年龄。
 
如果你一不小心点了「未满18岁」,那系统就会直接指路「PBS少儿频道」, Enjoy!
 
 
Johanesen说:「一般的在线测试可能会有10+或20+不同的结果,这是预先设定好的,不会超出这个范围",但新游戏,你可以重来几十次,每次都会得到一个不同的结果」。
 
这个游戏背后是是StyleGAN技术,生成了各种各样不同的个人图片。
 
在文字方面,BuzzFeed的工作人员贡献了独具个性特征的东西,像短信内容、个人爱好,甚至 怪异、黑暗的东西,而这些都是通过算法合成的。
 
「我认为我们主要是想接受这个游戏带来的荒谬,我们试着要与用户提供的某些信息匹配,所以它不是完全随机的。这个游戏的早期版本更真实,但趣味性不高。」Johanesen说。
 
Johanesen说,他希望未来可以开发更多 「更有代入感 」的测试,创作者只需要提出一个概念,不必 「编辑每一个选项」。
 
「我们肯定会用机器学习模型来编写测验,但效果可能不会很好,」他说。相反,该团队对 「技术能做的人类不能做的事,以及人类能做的技术不能做的事的那个交叉点 」感兴趣。
 
 

网友评价:满意度并不高!


看了网友的评价,总体来说满意度并不高。
 
 
但AI给的答案确实丰富多彩,比如下面这几种:
 
不小心点了「未满18岁」,被指路PBS少儿频道的网友,惊讶之余无奈道:谢谢带我重回小时候......
 
 
有的生成结果甚至是「无脸人」:
 
 
还有碰到和自己同一个地方的「ta」,网友:buzzfeed真的没有跟踪我?!
 


无所不能的StyleGAN,也可以是日本爱豆生成器


以上的技术基于风靡网络的StyleGAN。
 
2018年,英伟达提出了StyleGAN,这是一种新型生成对抗性网络(GAN)。
 
从此,StyleGAN就被用来作各种人脸生成,随你所想。
 
这不,情人节当然少不了可可爱爱的女生形象,有技术小哥就用StyleGAN开发了自己喜欢的日本偶像:
 
 
你喜欢这样的吗?
 
 
或者这种的?
 
 
作者还开发了脸部特征控制器,比如多笑、多尖鼻、多直发......这种定制式的风格似乎与我们今天的主题——完美女友很般配!
 
 
那么,系统是如何建立的呢?
 
首先,我们先看一下数据和流程组件的整体关系图。在这里,除了GAN是StyleGAN而不是ProgressiveGAN之外,本系统基本上继承了TL-GAN(Transparent Latent-space GAN)的结构。
 
StyleGAN是由许多偶像脸部图像训练而成,数量超过15K的图像。StyleGAN和其他GAN一样有一个潜伏空间。在系统中,StyleGAN在潜伏空间中使用随机抽样的方式生成150K张图像,并通过人脸属性预测器对图像进行分类,制作一个数据集,从潜伏码中预测属性。然后,属性轴预测器从潜码中学习预测属性并预测轴。在最新的空间里往这个方向添加属性的结果
 
这是用15000张图片训练后生成的结果:
 
 
这是用40000张图像训练后生成的图像:
 
 
从两种情况下我们能看出,在40000数据集中,手的生成更好一些。
 
在这两种情况下,GAN都成功学习生成了前脸图像。在数据集中,数量较少的图像是无法学习生成的。(例如,为了更好地摆姿势而使用手,有麦克风,食物......等)在40000数据集中,手的生成效果更好一些。
 
StyleGAN与以往的GAN不同,它是潜伏空间是线性的,是分散的;良好的插值性能;线性分离性
 
在欧几里得几何学中,线性可分离性是两组点的属性。在二维空间(欧氏平面)中,将一组点看作是蓝色的,而另一组点看作是红色的,这是最容易直观的。

如果平面上至少有一条线,所有的蓝色点都在这条线的一边,而所有的红色点都在另一边,那么这两组点是可以线性分离的。如果用超平面代替线,这个思想立即可以推广到高维的欧氏空间。
 
所以,只要有足够多的数据集,选择合适的线性学习算法,我们就可以找到一个轴来改变一个属性。
 
所以,这意味着这个GAN适合于像TL-GAN那样的控制生成,因为良好的插值意味着连续地调整每个属性,而线性分离的潜伏空间意味着更容易独立地调整每个属性(如果每个属性是相互独立的)。
 
脸部属性前导
 
作者使用MobileNet和celeba数据集来训练人脸属性预测器。在celeba统一随机拆分的训练/验证数据集上,这个预测器的准确率是91%。在用它来预测15万张采样图像标签方面,准确率不是很高。但在某些时候它的工作是合理的。
 
属性轴预测器
 
作者使用线性回归来寻找属性轴。线性回归看起来不错,可以看到属性的插值和变化,不过StyleGAN的空间可能不是完全线性分离的,脸部属性预测也不是100%准确。权重系数是属性轴的一个方向,因为回归函数的梯度是增强属性的方向。
 
StyleGAN的训练数据集
 
使用爬虫和人脸检测器从任意网站收集的40K张偶像脸部图像。
 
当作者使用的数据集的数量,我们可以看到一些图像成功地生成几乎相似的照片,所以作者建议是收集至少15000张图片来尝试运行。
 
数据集与FFHQ数据集的极粗略对比如下:
 
 
以上两种,你更喜欢哪种情人节StyleGAN呢?

Anyway, Happy Valentine's Day!
 
参考链接:
https://medium.com/@_xiongjie_/gan-generates-real-photos-of-japanese-idols-56cc9e5ceedd
https://techcrunch.com/2021/02/12/buzzfeed-ai-quiz/
https://www.buzzfeed.com/buzzfeedlabs/create-your-perfect-ai-soulmate




浏览 19
点赞
评论
收藏
分享

手机扫一扫分享

分享
举报
评论
图片
表情
推荐
点赞
评论
收藏
分享

手机扫一扫分享

分享
举报