效果爆炸的漫畫(huà)變身AI，火到服務(wù)器幾度擠爆
本文經(jīng)AI新媒體量子位（公眾號(hào)ID:QbitAI）授權(quán)轉(zhuǎn)載，轉(zhuǎn)載請(qǐng)聯(lián)系出處。
排隊(duì)1241人，等待2600秒……”
——這屆網(wǎng)友為了看一眼自己在動(dòng)漫里的樣子，可真是拼了！
“始作俑者”是一款可以把人像變動(dòng)漫的生成器。
只需一張圖片或一段視頻，無(wú)論男女老少、明星素人都可以一睹自己的“動(dòng)漫風(fēng)采”～
什么“國(guó)民老婆”王冰冰：
什么“國(guó)民妹妹”IU：
什么科技圈大佬、EDG成員、金發(fā)美女、容嬤嬤……
發(fā)絲、眉宇，甚至眼神里流露出來(lái)的情緒，都給你“描繪”得淋漓盡致……
△ 視頻效果
這也難怪網(wǎng)友把服務(wù)器都給擠爆了。
隨便翻翻大家的作品，簡(jiǎn)直是深不見(jiàn)底。
再看看GitHub上的相關(guān)項(xiàng)目，果然也沖上了趨勢(shì)榜第一名。
這個(gè)AnimeGAN，真是厲害了！
如何給自己捏一個(gè)動(dòng)漫臉？
看完展示的效果，你是不是也想打造一個(gè)自己專屬的漫畫(huà)臉了呢？
這個(gè)可以有，現(xiàn)在就手把手教你。
第一種方法就very very簡(jiǎn)單了，只需要上傳一張照片就可以。
提供在線玩法的網(wǎng)站（鏈接見(jiàn)文末），就是那個(gè)著名的抱抱臉 （Hugging Face）。
它專門(mén)開(kāi)設(shè)了一個(gè)在線AnimeGANv2的App，直接把圖片“丟”進(jìn)去就好。
BUT?。。?/strong>
也正如剛才提到的，現(xiàn)在這個(gè)AI著實(shí)有點(diǎn)太火了，簡(jiǎn)單的在線方法，就等同于排大隊(duì)。
這不，等了5259秒之后，前面還有15人……
如果不想排隊(duì)怎么辦？
接下來(lái)，就是第二種方法了——上代碼！
熱心網(wǎng)友在苦等了3小時(shí)之后，終于還是忍不住了，強(qiáng)烈安利Colab版本（鏈接見(jiàn)文末）：
先運(yùn)行一下文檔里的前兩段代碼，然后只需要簡(jiǎn)單修改照片路徑即可。
當(dāng)然，如果想加大難度挑戰(zhàn)一下，AnimeGANv2的GitHub項(xiàng)目也是有的哈：
以上介紹的方法都是用圖片轉(zhuǎn)換，如果你想用視頻的話，在AnimeGANv2項(xiàng)目中執(zhí)行下面這兩條命令就OK：
當(dāng)然，該項(xiàng)目的Pytorch實(shí)現(xiàn)也有，不過(guò)Pytorch版本目前只支持圖片轉(zhuǎn)換；如果想轉(zhuǎn)視頻，暫時(shí)就需要你自己寫(xiě)個(gè)腳本了～
風(fēng)格遷移+GAN
那么，如此效果的背后，到底是用了什么原理呢？
AnimeGAN是來(lái)自武漢大學(xué)和湖北工業(yè)大學(xué)的一項(xiàng)研究，采用的是神經(jīng)風(fēng)格遷移 + 生成對(duì)抗網(wǎng)絡(luò)（GAN）的組合。
它其實(shí)是基于CartoonGAN的改進(jìn)，并提出了一個(gè)更加輕量級(jí)的生成器架構(gòu)。
AnimeGAN的生成器可以視作一個(gè)對(duì)稱的編碼器-解碼器網(wǎng)絡(luò)，由標(biāo)準(zhǔn)卷積、深度可分離卷積、反向殘差塊、上采樣和下采樣模塊組成。
為了有效減少生成器的參數(shù)數(shù)量，AnimeGAN的網(wǎng)絡(luò)中使用了8個(gè)連續(xù)且相同的IRB（inverted residual blocks）。
在生成器中，具有1×1卷積核的最后一個(gè)卷積層不使用歸一化層，跟隨其后的是tanh非線性激活函數(shù)。
上圖中，K為內(nèi)核大小，C為特征圖數(shù)量，S為每個(gè)卷積層的跨度，H是特征圖的高度，W是特征圖的寬度，Resize值用于設(shè)置特征圖大小的插值方法，⊕表示逐元素加法。
而此次的V2版本，是基于第一代AnimeGAN的升級(jí)，主要解決了模型生成的圖像中存在高頻偽影的問(wèn)題。
具體而言，所采取的措施是使用特征的層歸一化（layer normalization），來(lái)防止網(wǎng)絡(luò)在生成的圖像中產(chǎn)生高頻偽影。
作者認(rèn)為，層歸一化可以使feature map中的不同通道，具有相同的特征屬性分布，可以有效地防止局部噪聲的產(chǎn)生。
AnimeGANv2的生成器參數(shù)大小為8.6MB，而AnimeGAN的生成器參數(shù)大小為15.8MB。
它倆使用的鑒別器大致相同，區(qū)別在于AnimeGANv2使用的是層歸一化，而不是實(shí)例歸一化（instance normalization）。
網(wǎng)友：我變漂亮了
這個(gè)AI可算是圈了一眾粉絲。
有些網(wǎng)友“沖進(jìn)二次元”之后，發(fā)現(xiàn)了自己驚人的美貌：
它把我變漂亮了！
而且非常驕傲的曬出了自己的漫畫(huà)臉。
還有網(wǎng)友看完比爾蓋茨的效果之后，直呼：
天！蓋茨看起來(lái)聰明又性感。
作者：生成效果更好的AnimeGANv3也快來(lái)了
AnimeGAN的原作者一共有3位，分別是湖北工業(yè)大學(xué)的劉罡副教授，陳頡博士，以及他們的學(xué)生Xin Chen。
這個(gè)項(xiàng)目的誕生主要出于團(tuán)隊(duì)成員的個(gè)人興趣，也就是對(duì)二次元宅文化和對(duì)藝術(shù)的熱愛(ài)。
作者之一陳同學(xué)介紹，AnimeGAN和AnimeGANv2分別耗時(shí)2-3個(gè)月完成，其中遇到了不少困難。
其中就包括硬件資源的極度匱乏，比如當(dāng)時(shí)做AnimeGAN用到的英偉達(dá)單卡服務(wù)器還是由該校藝術(shù)設(shè)計(jì)學(xué)院的院長(zhǎng)饒鑒教授提供，而他負(fù)責(zé)的研究也曾依賴于向其他同學(xué)借機(jī)器跑實(shí)驗(yàn)。
到了AnimeGANv2時(shí)，就只剩一臺(tái)單卡2080ti服務(wù)器供使用了。
不過(guò)，所有努力都沒(méi)有白費(fèi)，如今AnimeGAN已受到非常多人的關(guān)注和喜歡，這讓陳同學(xué)和他的導(dǎo)師團(tuán)隊(duì)都非常有成就感。
要知道，就連新海誠(chéng)導(dǎo)演都曾轉(zhuǎn)發(fā)過(guò)AnimeGAN的作品呢。
但，這項(xiàng)以興趣愛(ài)好為驅(qū)動(dòng)的科研項(xiàng)目并不只是“圖個(gè)好玩”。
在我們與該團(tuán)隊(duì)的交流當(dāng)中，他們表示：
主要目標(biāo)還是以學(xué)術(shù)論文為里程牌，以項(xiàng)目能工程化落地到實(shí)際應(yīng)用中為最大期待。
而接下來(lái)，AnimeGANv3也快來(lái)了。
它到時(shí)會(huì)采用更小的網(wǎng)絡(luò)規(guī)模，大概縮減到只有4M左右；同時(shí)解決AnimeGANv2的一些不足（比如v2保留了原圖過(guò)多的細(xì)節(jié)），讓生成的動(dòng)漫效果質(zhì)量更高。
這也意味著AnimeGANv3將具備商業(yè)化的能力。
而在AnimeGANv3完成之后，他們還會(huì)對(duì)人臉到動(dòng)漫的算法進(jìn)行不斷地優(yōu)化。
One More Thing
最后，大家上手之前一定要注意，雖然AnimeGAN展示的效果都是比較好的，但這有一個(gè)大前提：
照片一定要高清、五官盡量要清晰！
不然畫(huà)風(fēng)可能就會(huì)變得詭異（作者親測(cè)，欲哭無(wú)淚）……
那么，你在漫畫(huà)里是什么樣子？
快去試試吧~
在線Demo：
https://huggingface.co/spaces/akhaliq/AnimeGANv2
Colab版本：
https://colab.research.google.com/drive/1jCqcKekdtKzW7cxiw_bjbbfLsPh-dEds?usp=sharing#scrollTo=niSP_i7FVC3c
GitHub地址：
https://github.com/TachibanaYoshino/AnimeGANv2
https://github.com/bryandlee/animegan2-pytorch
