2021-11-21 14:46:11
“始作俑者”是一款可以把人像变动漫的生成器。
只需一张图片或一段视频，无论男女老少、明星素人都可以一睹自己的“动漫风采”～
什么“国民老婆”王冰冰：
什么“国民妹妹”IU：
什么科技圈大佬、EDG 成员、金发美女、容嬷嬷……
发丝、眉宇，甚至眼神里流露出来的情绪，都给你“描绘”得淋漓尽致……
▲ 视频效果
这也难怪网友把服务器都给挤爆了。
随便翻翻大家的作品，简直是深不见底。
再看看 GitHub 上的相关项目，果然也冲上了趋势榜第一名。
这个 AnimeGAN，真是厉害了！
如何给自己捏一个动漫脸？
看完展示的效果，你是不是也想打造一个自己专属的漫画脸了呢？
这个可以有，现在就手把手教你。
第一种方法就 very very 简单了，只需要上传一张照片就可以。
提供在线玩法的网站（链接见文末），就是那个著名的抱抱脸 （Hugging Face）。
它专门开设了一个在线 AnimeGANv2 的 App，直接把图片“丢”进去就好。
BUT！！！
也正如刚才提到的，现在这个 AI 着实有点太火了，简单的在线方法，就等同于排大队。
这不，等了 5259 秒之后，前面还有 15 人……
如果不想排队怎么办？
接下来，就是第二种方法了 —— 上代码！
热心网友在苦等了 3 小时之后，终于还是忍不住了，强烈安利 Colab 版本（链接见文末）：
先运行一下文档里的前两段代码，然后只需要简单修改照片路径即可。
当然，如果想加大难度挑战一下，AnimeGANv2 的 GitHub 项目也是有的哈：
以上介绍的方法都是用图片转换，如果你想用视频的话，在 AnimeGANv2 项目中执行下面这两条命令就 OK：
当然，该项目的 Pytorch 实现也有，不过 Pytorch 版本目前只支持图片转换；如果想转视频，暂时就需要你自己写个脚本了～
风格迁移 + GAN
那么，如此效果的背后，到底是用了什么原理呢？
AnimeGAN 是来自武汉大学和湖北工业大学的一项研究，采用的是神经风格迁移 + 生成对抗网络（GAN）的组合。
它其实是基于 CartoonGAN 的改进，并提出了一个更加轻量级的生成器架构。
AnimeGAN 的生成器可以视作一个对称的编码器-解码器网络，由标准卷积、深度可分离卷积、反向残差块、上采样和下采样模块组成。
为了有效减少生成器的参数数量，AnimeGAN 的网络中使用了 8 个连续且相同的 IRB（inverted residual blocks）。
在生成器中，具有 1×1 卷积核的最后一个卷积层不使用归一化层，跟随其后的是 tanh 非线性激活函数。
上图中，K 为内核大小，C 为特征图数量，S 为每个卷积层的跨度，H 是特征图的高度，W 是特征图的宽度，Resize 值用于设置特征图大小的插值方法，⊕表示逐元素加法。
而此次的 V2 版本，是基于第一代 AnimeGAN 的升级，主要解决了模型生成的图像中存在高频伪影的问题。
具体而言，所采取的措施是使用特征的层归一化（layer normalization），来防止网络在生成的图像中产生高频伪影。
作者认为，层归一化可以使 feature map 中的不同通道，具有相同的特征属性分布，可以有效地防止局部噪声的产生。
AnimeGANv2 的生成器参数大小为 8.6MB，而 AnimeGAN 的生成器参数大小为 15.8MB。
它俩使用的鉴别器大致相同，区别在于 AnimeGANv2 使用的是层归一化，而不是实例归一化（instance normalization）。
网友：我变漂亮了
这个 AI 可算是圈了一众粉丝。
有些网友“冲进二次元”之后，发现了自己惊人的美貌：
它把我变漂亮了！
而且非常骄傲的晒出了自己的漫画脸。
还有网友看完比尔盖茨的效果之后，直呼：
天！盖茨看起来聪明又性感。
就连新海诚导演都曾转发过 AnimeGAN 的作品呢。
One More Thing
最后，大家上手之前一定要注意，虽然 AnimeGAN 展示的效果都是比较好的，但这有一个大前提：
照片一定要高清、五官尽量要清晰！
不然画风可能就会变得诡异（作者亲测，欲哭无泪）……
那么，你在漫画里是什么样子？
