AI还原诟谇片子和照片效果惊艳在线可玩网友大年夜呼鹅妹子嘤

量子位 出品 | 公众年夜众号 QbitAI

半个世纪前拍摄的黑白老旧电影，现在迎来了人生的“第二春”。

在AI的帮助下，这些只有黑白灰三色的视频片段，已经变成了彩色的。

在Facebook的F8大会上，国外技能小哥Jason Antic展示了一种叫DeOldify的AI模型，这种技能为老电影上色效果堪称惊艳。

不信？直接看效果：

比如，1960年的美国惊悚胆怯电影《惊魂记》：

用AI上色后的绝不违和，人脸部分的妆容也不别扭：

黑白电影时期的诙谐大师卓别林，第一次在镜头下有了颜色：

89年前的美国电影Reefer Madness，就这样被轻松还原了：

输入黑白灰，输出红绿蓝，这个AI模型开始大火。
Jason Antic小哥的推特收成了近800赞，推特网友直呼“Amazing！
！
！
”、“very cool”、“wow”。

不过，这还不是DeOldify模型的全部实力。

除了视频，DeOldify还能处理老旧的黑白照片和图像。

比如1936年Dorothea Lange的拍照作品《移民母亲》：

1920年在寝室放松的瑞典妇女：

1911年的Thanksgiving Maskers：

1941年在农场的Lemuel Smith师长西席及其夫人以及他们年幼的孩子们：

1890年代末的挪威新娘：

1880年吸食鸦片的中国人：

以上这些画作的上色，均由DeOldify完成。
无论是人像还是场景，或是绿油油的田园景象，这只AI上色画师的处理都自然完美。

好是，这个为图像上色的模型现在还有了demo，你也能在线试玩了。

试玩地址：

https://colorize.cc/

操作也非常大略，传入一张黑白图像，输入自己的邮箱地址，不一会儿就能收到上了色的版本。

上色大师DeOldify是怎么做出来的？

作者小哥表示，这背后是一套名为NoGAN的架构。
他自称这是一种奇怪，但是非常高效的图像到图像的演习方法。

这种深度学习模型借鉴了当前多种主流技能方法，包括：

自把稳天生对抗网络（Self-Attention Generative Adversarial Network）

天生器是一个预演习的Unet，小哥进行了一个非常大略的转换过程，将其修正成了具有谱归一化和自把稳力。

干系研究：

https://arxiv.org/abs/1805.08318

两个韶光尺度更新规则

也便是说这是一个一对一的天生/辨别迭代，并且具有更高的辨别器学习率。
这种修正能够确保辨别器在天生器演习前被“捕获”。

干系研究：

https://arxiv.org/abs/1706.08500

天生器的丢失分为两部分

一是基于VGG16的基本感知丢失（或特色丢失），这让天生模型更倾向于输入天生图像。
二是来自辨别器的丢失，由于仅单一模拟输入并不能带来很好的天生结果，可能会涌现一些棕色/绿色/蓝色的大略堆叠来欺骗检测。

以是须要意识到，天生对抗网络的实质便是学习丢失函数。

NoGAN

重头戏来了，NoGAN是一种新型的GAN演习方法，能用来办理此前GAN演习过程中的关键问题。

NoGAN的干系论文虽然还没有放出，但小哥在Github中大致先容了NoGAN的特点。

此前，演习模型的大部分韶光都用在了预演习天生器和critic这一部分，但NoGAN可以花费最少的韶光直接进行演习。

这种方法的演习流程为：

先用常规方法演习具有特色丢失的天生器，接下来从中天生图像，并把辨别器当成一个二元分类器，区分输出图像和真实图像之间的差距。
对付辨别器来说有一个拐点，在拐点附近天生图像质量最佳。
为了找到这个拐点，小哥也只能通过数次考试测验，没有巧方法。

NoGAN演习还有一个关键问题，可以在最初GAN演习后，用相同的办法对天生的图像重复进行预演习。

Github地址：

https://github.com/jantic/DeOldify/blob/master/README.md

— 完 —

诚挚招聘

量子位正在招募编辑/，事情地点在北京中关村落。
期待有才华、有激情亲切的同学加入我们！
干系细节，请在量子位"大众年夜众号(QbitAI)对话界面，回答“招聘”两个字。

量子位 QbitAI · 头条号签约作者

վ'ᴗ' ի 追踪AI技能和产品新动态