理发总是差强人意？

醒醒吧！有些发型不适合你！

如果能在理发前，把这几个发型「试用」就好了。

Tony老师无法给你的，GAN给你。

最近，一个基于GAN的项目Barbershop火了！它不仅可以改变你的头发风格，还可以从多个图像实例中改变颜色。

重要的是，不同于一般的换头发AI，这次的效果让你的脸与新头发完美融合。

一头逼真的「假发」：发型、颜色任你选

把这三样东西交给算法，你就能看到自己的发型合不合适。

1 自己的照片；

2 一张你想拥有的发型的人的照片；

3 另一张你想尝试的头发颜色的照片（或同一张）

例如，我的原生发型是这样的：

来试验一下别样的发型：

‍‍换个直发试试？‍

‍

‍

颜色太显老？换一个试试！‍‍

‍

怎么样是不是新发型与您的头完美融合？再也没有生硬感？

为了确定这个项目符合大众审美，作者还对396名参与者进行了用户研究。答案是：GAN给出的解决方案在95%的情况下都是他们首选的！

量化结果

这是如何做到的？

去掉生硬感！在GAN中加入对齐（alignment）步骤

GAN架构可以学习将一个图像的特定特征或风格移植到另一个图像上。虽然它并不是一项新技术了，但是关于它的应用一种充满新鲜劲儿。

但也有一些细节给GAN的应用带来挑战，譬如：光线的差异带来了遮挡，在两张照片中的头部可能会出现不同，会带来生硬感。

通常情况下，这些使用GANs的技术会试图对图片信息进行编码，并在此编码中明确识别与头发属性相关的区域来切换它们。但只有当两张照片的拍摄条件类似时，这种换头发的效果才会很好——不过，这很难。

因此，作者不得不想点办法。

首先，将换头发分为两个层级：结构（structure）和外观（appearance）。

结构是指头发的几何形状——卷曲的、波浪的还是直的。外观指的是深度编码的信息，包括头发颜色、纹理和照明。

这里的目标是将特定图片的发型和颜色移植到自己的图片上，同时按照图片的光照和属性改变结果，使其一次就能达到令人信服的真实效果，减少步骤和错误来源。

StyleGAN2架构

为了实现这一目标，作者在GANs中增加了一个缺失但必不可少的对齐（alignment）步骤。

事实上，它不是简单地对图像进行编码和合并，而是按照不同的分割掩码稍微改变编码，使两幅图像的潜伏代码更加相似。正如前面提到的，它们都可以编辑头发的结构和风格或外观。

我们知道，GANs使用卷积对信息进行编码。这意味着它使用卷积核来降低每一层的信息规模，并使其越来越小，从而迭代地去除空间细节，同时对所产生的输出的一般信息给予越来越多的价值。

这些信息是从不同的图像中提取的，但现在，如何合并这些信息，才使结果看起来逼真些呢？

流程示意图

这是用图像的分割图完成的。更准确地说，是在我们的目标和参考图像的对齐版本的基础上，生成这个想要的新图像。参考图像是我们自己的图像，而目标图像是我们想要应用的发型。这些分割图告诉我们图像包含什么以及它在哪里，头发、皮肤、眼睛、鼻子等。

分割图

利用这些来自不同图像的信息，他们可以在将图像发送到网络进行编码之前，使用基于StyleGAN2的改良架构，按照目标图像结构对齐。

然后，对于外观和光照问题，他们从目标图像和参考图像中找到这些外观编码的适当混合比例，用于相同的分割区域，使其看起来尽可能的真实。

对比一下就知道效果：左是没有对齐的结果，右是本文的方法。

是不是顺眼很多？

当然，这个过程有点复杂，具体细节都可以在论文中找到。

但请注意，就像大多数GANs的实现一样，他们的架构需要被训练。在这里，他们使用了一个在FFHQ数据集上训练的StyleGAN2基础的网络。然后，由于他们做了许多修改，正如刚才讨论的，他们用198对图像作为发型转移的例子，第二次训练他们修改后的StleGAN2网络，以优化模型外观混合比例和结构编码。

Fail examples.

具体细节参见：

GitHub地址：https://github.com/ZPdesu/Barbershop

论文：https://arxiv.org/pdf/2106.01505.pdf

推荐阅读

• 【重磅】斯坦福李飞飞《注意力与Transformer》总结，84页ppt开放下载！

• 只需两行代码，2080Ti 就能当 V100用，这个炼丹神器真牛！

• 20亿参数，大型视觉Transformer来了，刷新ImageNet Top1

• Deepfake文字版横空出世：AI高仿你的笔迹只需1个词！

• 2021年，深度学习还有哪些未饱和、有潜力且处于上升期的研究方向？

• 最强通道注意力来啦！金字塔分割注意力模块，即插即用，效果显著，已开源！

• 分层级联Transformer！苏黎世联邦提出TransCNN: 显著降低了计算/空间复杂度！

• 注意力可以使MLP完全替代CNN吗？ 未来有哪些研究方向？

• 清华鲁继文团队提出DynamicViT：一种高效的动态稀疏化Token的ViT

• 并非所有图像都值16x16个词--- 清华&华为提出一种自适应序列长度的动态ViT

DLer-计算机视觉交流3群已成立！

大家好，这是DLer-计算机视觉微信交流3群！首先非常感谢大家的支持和鼓励，我们的计算机视觉交流群正在不断扩大人员规模！希望以后能提供更多的资源福利给到大家！欢迎各位Cver加入DLer-计算机视觉微信交流大家庭 。

本群旨在学习交流图像分类、目标检测、目标跟踪、点云与语义分割、GAN、超分辨率、人脸检测与识别、动作行为与时空运动、模型压缩和量化剪枝、迁移学习、人体姿态估计等内容。希望能给大家提供一个更精准的研讨交流平台！！！

进群请备注：研究方向+学校/公司+昵称（如图像分类+上交+小明）

???? 长按识别添加，即可进群！