这个AI只须要一秒，而且效果逼真，看不出一点马脚。
最近，一则马斯克的恶搞视频在YouTube上火了。
一位油管博主用AI【P】出了多个版本的马斯克，重点是效果惊人。比如，这个中年秃顶版。
恐怕连马斯克本人见了都会相信吧？
还有长发飘飘的马斯克。不得不说，女版马斯克也散发着一股女强人的气质。
这个AI是来自Adobe Research和阿卜杜拉国王科技大学（KAUST）的一项最新研发成果—StyleFlow算法。
它非常更善于在合成图像或真实图像的根本上重新编辑面部属性。除了上述马斯克的面部毛发、年事、性别处理外，它还可以改变拍照角度、光照、人物表情等等。
值得一提的是，StyleFlow不仅可以用于人像处理，也可以修正汽车等其他图像属性。
比如这款【特斯拉】图像可以一秒切换车身颜色。
接下来，我们来看看这个硬核AI是如何做到的？
比StyleGAN还溜的AI
提到Style系列不免让人想到StyleGAN，常常关注雷锋网的小伙伴可能会理解，StyleGAN是GAN的变种，它通过天生器和鉴别器的相互battle，也可以达到令人惊叹的面部合成效果。
而StyleFlow可以说是StyleGAN图像合成的进阶版。
研究职员在论文中称，GANs（如StyleGAN）在担保高质量输出的条件下，利用（语义）属性掌握天生过程的选项有限。同时，由于GAN潜在空间的纠缠性子，沿着一个属性实行编辑很随意马虎导致沿着其他属性的改变。
因此，他们提出了基于属性条件采样（Attribute-Conditioned Sampling）和属性掌握编辑（Attribute-Controlled editing）的StyleFlow。
个中，属性条件采样，是对具有目标属性的高质量真实图像进行采样；属性掌握编辑，是指编辑给定图像，并使其具有目标属性，同时最好地保留源图像的特性。
以下为StyleFlow实现两种任务的完全框架：
z表示先验分布变量，w表示StyleGAN的中间权重向量。
从源图像开始，通过利用反向推理和一系列CNF（Continuous Normalizing Flow）功能模块的正向推理来支持属性条件编辑。
其余，须要把稳的是，反向推理和正向推理是由ODE解算器通过打算韶光变量上的CNF函数来办理的。
CNF（连续归一流）功能块可以作为神经网络块来实现。个中，以属性向量at为条件的学习函数，既可以可用于正向推理，也可以用于反向推理。
实验结果
基于以上事理，研究职员通过利用StyleFlow对给定图像进行了属性条件采样。论文中展示了固定目标姿势下戴眼镜女性的图像（上）；面部有毛发的50岁男性图像（中）；固定姿势下5岁男孩的微笑图像（下）三类属性的抽样结果。
可以把稳到采样的质量非常高，未编辑的属性在很大程度上保持不变，它验证了网络能够学习底层的语义表示，并进一步用于对图像进行语义编辑。
接下来，研究职员利用StyleGAN天生的人脸和汽车的潜在空间对StyleFlow进行了评估，并展示了对各种属性进行细粒度分离编辑的结果。
他们采取了两个评估数据集FFHQ和LSUN Car。前者是1024×1024高分辨率人脸图像数据集，由70000张图像组成，这些图像在种族、年事和配件方面都是不同的。LSUN-Car是一个512×384分辨率的汽车图像数据集，由16185幅图像组成，这些图像在汽车姿态、颜色和类型方面有很大的差别。
在定性比较上，StyleFlow对人像角度、光照、表情、性别和年事的处理，与现有Image2StyleGAN 、 InterfaceGAN 、 GANSpace 方法比较均表现出了一定的优胜性。
在定量比较上也同样如此。下图展示了StyleFlow与其他方法在人脸分类器（Geitgey 2020）评估下得出的SOTA结果。StyleFlow在灯光、姿势、表情等属性上基本达到了最高值。
以下是在循环编辑同等性方面，StyleFlow的编辑方法在不同排列下基本保持同等（各个属性中利用了均匀偏差）。
更多详细内容可拜会论文：https://arxiv.org/pdf/2008.02401.pdf
引用链接：
https://rameenabdal.github.io/StyleFlow/
https://github.com/RameenAbdal/StyleFlow
https://www.youtube.com/watch?v=LRAUJUn3EqQ&feature=youtu.be
雷锋网雷锋网雷锋网