英偉達推出的StyleGAN在前不久大火了一把。今日，Reddit一位網友便利用StyleGAN耗時5天創作出了999幅抽象派畫作！不僅如此，他還將創作過程無私的分享給了大家，引來眾網友的一致好評。

人人都能當抽象派畫作大師了！

去年，佳士得拍賣會上拍賣了一副由AI創作的肖像畫——《愛德蒙·貝拉米的肖像》，該畫最終售價43.25萬美元(301萬元人民幣)，遠遠超過了7000到1萬美元的預計售價，同時也引發了人們對人工智能作畫的熱烈探討。

愛德蒙·貝拉米的肖像

今天，Reddit上一位網友利用StyleGAN訓練生成了999幅抽象派畫作！

生成的其中一幅畫作

這項工作使得其他網友們羨慕不已：

那么，這999幅AI生成的畫作中，是否又會出現天價作品呢？值得拭目以待。

利用StyleGAN訓練生成抽象派畫作

這位名為“_COD32_”的網友在Reddit上毫無保留的分享了這項工作的創作過程。

Reddit地址：

https://www.reddit.com/r/MachineLearning/comments/bagnq6/p_stylegan_trained_on_paintings_512x512/

在模型方面，采用的依舊是去年英偉達爆款StyleGAN，這是一種新的生成器架構，基于風格遷移，將面部細節分離出來，由模型進行單獨調整，從而大幅度超越傳統GAN等模型。

英偉達StyleGAN GitHub官方地址：

https://github.com/NVlabs/stylegan

在數據方面，采用的是Kaggle上名為”Painter by Numbers“項目中的數據集，其中大部分的圖像數據來源于WikiArt.org網站。

Kaggle地址：

https://www.kaggle.com/c/painter-by-numbers/data

其中，只采用了≥1024X2014的圖像。在GTX 1080 TI上的訓練時間大約是5天。

不過作者表示，該模型試圖生成人臉的部分并不是很完美，但其它部分還算可以。

例如下面兩個隨機向量之間的快速隱空間差值(latent space interpolation)：

同時，作者也給出了訓練好的模型和Jupyter Notebook地址：

https://mega.nz/#!PsIQAYyD!g1No7FDZngIsYjavOvwxRG2Myyw1n5_U9CCpsWzQpIo

https://colab.research.google.com/drive/1cFKK0CBnev2BF8z9BOHxePk7E-f7TtUi

英偉達“造假”黑科技：StyleGAN簡介

StyleGAN是英偉達提出的一種用于生成對抗網絡的替代生成器體系結構，該結構借鑒了樣式遷移學習的成果。新結構能夠實現自動學習，以及無監督的高級屬性分離（比如在使用人臉圖像訓練時區分姿勢和身份屬性）和生成的圖像（如雀斑，頭發）的隨機變化，并能在圖像合成和控制上實現直觀化和規模化。

新模型在傳統的分布質量指標方面實現了提升，并且更好地解決了潛在的變量因素。為了對插值質量和分解進行量化，本模型提出了兩種適用于任何生成架構的自動化新方法。以及一個新的、高度多樣化、高質量的人臉數據集。

英偉達研究人員在論文中寫道，他們提出的新架構可以完成自動學習，無監督地分離高級屬性（例如在人臉上訓練時的姿勢和身份）以及生成圖像中的隨機變化，并且可以對合成進行更直觀且特定于比例的控制。

換句話說，這種新的GAN在生成和混合圖像，特別是人臉圖像時，可以更好地感知圖像之間有意義的變化，并且在各種尺度上針對這些變化做出引導。

例如，研究人員使用的舊系統可能產生兩個“不同”的面部，這兩個面部其實大致相同，只是一個人的耳朵被抹去了，兩人的襯衫是不同的顏色。而這些并不是真正的面部特異性特征，不過系統并不知道這些是無需重點關注的變化，而當成了兩個人來處理。

在上面的動圖中，其實面部已經完全變了，但“源”和“樣式”的明顯標記顯然都得到了保留，例如最底下一排圖片的藍色襯衫。為什么會這樣？請注意，所有這些都是完全可變的，這里說的變量不僅僅是A + B = C，而且A和B的所有方面都可以存在/不存在，具體取決于設置的調整方式。

下面這些由計算機生成的圖像都不是真人。但如果我告訴你這些圖像是真人的照片，你可能也不會懷疑：

效果如此出眾的StyleGAN一經開源就成了“網紅”，由該模型生成的假臉幾乎完全可以亂真，即使是放大了仔細看，大多數情況下依然難以分清，其難度堪比“大家來找茬”。

為此，有人甚至專門寫了一篇指南，專門指點那些有興趣“鑒臉”的人，該文總結出了StyleGAN生成假臉的幾處常見的破綻。不過，這些破綻大部分是在圖片背景、配飾、衣物等附加元素上找到的，面部本身的破綻雖然也有，但顯著性和易見性都要下降一個檔次。

上圖的StyleGAN生成圖像在面部上幾乎無破綻，但左右耳的首飾不對稱

被玩壞的StyleGAN：從“假人臉”到“假房子”，生成世間萬物

StyleGAN生成假臉圖像的逼真程度令人驚艷，但這么厲害的模型只能用來生成假人臉嗎？顯然不是。很快，越來越多的吃瓜群眾發現了StyleGAN的更多潛力。比如生成假的出租房。

前不久，就有好事者利用StyleGAN生成了一個假的Airbnb租房網站，上面從房源圖片、地址、再到租客的評論和打分沒有一個是真實的，全是StyleGAN的杰作。

假房生成網站 thisairbnbdoesnotexist.com，每次刷新都會出現一個虛假的房源，網頁上的照片、文字描述、發布人頭像均由計算機自動生成。由于使用的模型非常簡單，文字描述多有不合邏輯之處，但乍看上去還是能以假亂真。來源：假房生成網站 thisairbnbdoesnotexist.com

AirBNB網站截圖，避免廣告嫌疑做了虛化處理

根據Christopher Schmidt在Twitter的介紹，生成每個網頁用一塊GPU只需0.5秒，相關代碼開源，你可以在這里找到：

https://colab.research.google.com/github/tensorflow/tpu/blob/master/tools/colab/shakespeare_with_tpu_and_keras.ipynb

這個“假房源”網站是怎么做的？

網站上的圖像當然由著名的圖像生成模型StyleGAN生成，文本則來自在一個AirBNB列表(文末鏈接[1])上訓練的語言模型，主要基于Tensorflow的“Predict Shakespeare with Cloud TPU”（https://t.co/sJoUbwZ2UL）。

這個文本生成模型似乎是個兩層的前饋LSTM（文末鏈接[2]），主要是用它來獨立訓練生成房屋列表中的標題、描述、房主姓名、地理位置等，然后組合生成綜合列表。

每個模型的輸出都是預先生成的，每5秒創建一個新的列表(網頁)。唯一的修改是根據文本稍微調整序列大小。

下面是Christopher Schmidt在Twitter上對這個“假房子”網站的簡要介紹，包括靈感來源、大致結構、構建頁面使用的框架和訓練方式等。

本頁面在開發時主要使用以下幾種模型：在構建圖片和臥室照片時使用StyleGAN，一些文本網絡的訓練使用了tf.keras來生成地點名稱、房主姓名、標題和描述。此外還使用了Tensorflow的實例代碼）

所有的數據訓練過程都在谷歌的Colab上完成，該平臺上可以免費使用GPU和TPU來訓練和生成數據。

每個模型都可以做出獨立的預測，所以會經常出現各部分信息不相配的情況，比如描述信息中說某套房子有一間臥室，但列表信息中顯示有四件臥室，或者外觀和名字排列不齊等。

但總的來看，這個過程是比較理想的，我在這個學習過程中也獲得了不少樂趣，進一步掌握了一些模型的使用技巧。這里要感謝Colab平臺，更感謝StyleGAN社群的出色研究成果。

有了這個思路，應用方向什么的就不用愁了，基于StyleGAN模型的假簡歷、假食物、假貓咪等等如雨后春筍一樣不斷涌現。甚至有人把這些“造假成果”匯總到了一個網站，叫“這些東西都不存在”。

這樣看來，StyleGAN已經火到了幾乎要被“玩壞”的程度。未來再出現什么樣的假貨，可能已經不取決于模型本身，而是程序員們的腦洞了。

介紹了這么多，大家是不是也想玩一玩StyleGAN呢？打開下方鏈接，快去嘗鮮吧！