英伟达StyleGAN团队新作：分析脸部纹理
点击上方“机器学习与生成对抗网络”，关注星标
获取有趣、好玩的前沿干货！
杨净 发自 凹非寺 量子位 报道 | 公众号 QbitAI
换脸的GAN，还能有啥突破？
要不，分析个脸部纹理试试。
不得不说，真有点科幻电影的赶脚~
这是英伟达最新推出GAN——Alias-Free GAN，号称更适合图片和视频生成。
尤其是他们之前推出的StyleGAN2相比。
在很多细节上， 比如头发、皱纹的转换、移动都更加顺滑。
我仔细看了看，确实如此。
以前的StyleGAN2，就像是某些固定的点粘在屏幕上，然后脸在屏幕下面移动。
而最新的GAN，则是所有细节全都一起移动。
对此，有网友表示，
StyleGAN2出来后，不知道在此基础上还能有啥突破。
结果现在一对比，StyleGAN2更像是拙劣的视频游戏特效。
论文详情
一个典型的GAN是这样处理脸部细节的。
首先提取一些粗糙、低分辨率的特征，通过上采样层分层细化。随后经过卷积层进行局部混合，并经由非线性映射层引入新的细节。
呈现出来的效果就像是，移动头部导致了鼻子的移动，而鼻子又会移动周围的皮肤毛孔。
△StyleGAN2
但这些细节特征有很强的位置偏好。
也就是说，这些细节特征每移动到一个位置，都会在那里停留很久，才移去下一个位置。
依然给人一种不太自然的感觉~
就好比是某个毛孔被固定住了，其他细节绕着它原地摩擦~
用他们的话来说，就是纹理粘连（texture sticking）。
比如StyleGAN2生成的毛发，大多坚持在相同的坐标上，形成了水平的条纹。
本次则主要针对两种类型的移动——平移和旋转，Alias-Free-T和Alias-Free-R。
传统的GAN网络结构，包括卷积、上采样、下采样和非线性这几个方面，而Alias-Free GAN整架构，是在StyleGAN2基础上调整的。
大致是这样一个调整过程。
首先，为了便于对输入的图像进行连续的平移和转化，他们用傅里叶特征取代StyleGAN2中的输入常数。接着，删除了每个像素中的噪声输入，因为它们与特征转换无关。
此外，他们还降低了映射网络的深度，并禁用了混合正则化和路径长度正则化。最后取消了输出跳过连接。
在实践中，还对卷积权重进行了划分。各层遵循严格的2×上采样时间表，在每个分辨率下执行两层，使得上采样后特征图的数量减半。
结果表明，与StyleGAN2相比，Alias-Free GAN在FID分数上表现的更好。
（FID 用于评估GAN生成图像的质量，分数越低说明图像质量越高）
英伟达出品
一作Tero Karras，可能熟悉StyleGAN系列的看出来了。
这位也是StyleGAN系列的主要开发者。
目前Alias-Free GAN还未开源，GitHub上还没有任何内容。
研究人员表示，预计9月开源。
论文链接：
https://nvlabs-fi-cdn.nvidia.com/alias-free-gan/alias-free-gan-paper.pdf
参考链接：
[1]https://news.ycombinator.com/item?id=27606347
[2]https://nvlabs.github.io/alias-free-gan/
[3]https://github.com/NVlabs/alias-free-gan
猜您喜欢：
CVPR 2021 | GAN的说话人驱动、3D人脸论文汇总
附下载 |《TensorFlow 2.0 深度学习算法实战》