仅用18天,英伟达新型GAN合成真假难辨高清明星脸
安妮 编译整理
量子位 出品 | 公众号 QbitAI
考眼力:你能分出下面哪张图是电脑合成的吗?
是这位神似年轻时莱昂纳多的神秘男子——
还是这位卷发碧瞳女士——
难以分辨。
但事实是,上面两张均为合成图像,惊不惊喜,意不意外?
这些图像来自英伟达与阿尔托大学的高清人脸合成项目,项目中提出的新型GAN,能合成出1024×1024像素的高清图像。
这不是英伟达最近唯一在合成高清图像研究中的尝试。就在上月,还与伯克利大学提出能将语义标注图像还原成现实世界样子的pix2pixHD,图像清晰度可达2048*1024,甩CRN、pix2pix等其他图像合成工具好几条街。
这个新型GAN的不仅“配方”与pix2pixHD不太一样,更有意思的是,还多了几分明星脸的味道。
class="video_iframe" data-vidtype="2" allowfullscreen="" frameborder="0" data-ratio="1.7647058823529411" data-w="480" data-src="http://v.qq.com/iframe/player.html?vid=t0567d43rpi&width=670&height=376.875&auto=0" style="display: block; width: 670px !important; height: 376.875px !important;" width="670" height="376.875" data-vh="376.875" data-vw="670" src="http://v.qq.com/iframe/player.html?vid=t0567d43rpi&width=670&height=376.875&auto=0"/>△生成图像视频
“明星脸”项目
近日,驻扎在芬兰的英伟达研究小队正试图构建一个系统,它能通过分析上千张明星的快照,识别常见的模式,并创造出看起来相似的新图像。这个系统也能合成马、公交、自行车、植物等除人类以外的常见物体图像。
△合成图像
通过分析明星脸构建的系统,生成的图像也和明星脸有几分神似。比如上面这张,有些人会觉得和美剧《老友记》里“瑞秋”的扮演者珍妮弗·安妮斯顿相似,又有些人觉得像美国歌手Selena Gomez。
4×4→1024×1024
“计算机通过和自己玩猫捉老鼠的游戏生成了这些图像。”研究人员Jaakko Lehtinen说。
研究人员提出了一种新型GAN训练方法,使生成器和辨别器逐步发展。在开始时,生成器(G)和辨别器(D)均为4×4的低分辨率。随着不断训练,研究人员会逐渐为生成器和辨别器增加新的层,这样就增加了生成图像的空间分辨率,因此生成的图像越来越精细。
4×4像素的低清图是如何一步步变高清的?这有一张随训练时间变化的生成图。
上图展示了英伟达系统在18天内生成图像的变化。经过千万次迭代后,GAN最终生成1024×1024像素的令人信服的清晰图像。研究人员表示这种新方法加快了训练速度,并且稳定了图像质量。
研究人员希望这项技术能够指导软件在短时间内合成出接近真实的图像。“我们还能更进一步,不仅可以用它来生成照片,还能应用在电脑游戏和电影中。”Lehtinen表示。
相关资料
目前,相关研究的论文Progressive Growing of GANs for Improved Quality, Stability, and Variation已向ICLR 2018投稿。
项目地址:
https://github.com/tkarras/progressive_growing_of_gans
论文地址:
http://arxiv.org/abs/1710.10196
— 完 —
加入社群
量子位AI社群13群开始招募啦,欢迎对AI感兴趣的同学,加小助手微信qbitbot5入群;
此外,量子位专业细分群(自动驾驶、CV、NLP、机器学习等)正在招募,面向正在从事相关领域的工程师及研究人员。
进群请加小助手微信号qbitbot5,并务必备注相应群的关键词~通过审核后我们将邀请进群。(专业群审核较严,敬请谅解)
诚挚招聘
量子位正在招募编辑/记者,工作地点在北京中关村。期待有才气、有热情的同学加入我们!相关细节,请在量子位公众号(QbitAI)对话界面,回复“招聘”两个字。
量子位 QbitAI · 头条号签约作者
վ'ᴗ' ի 追踪AI技术和产品新动态
仅用18天,英伟达新型GAN合成真假难辨高清明星脸相关推荐
- 英伟达用GAN生成脑瘤图像,训练出的AI医生,准确率提高16%
栗子脑 发自 凹非寺 量子位 出品 | 公众号 QbitAI 辅助医生做疾病诊断的AI,已越来越常见. 从前,每只AI要吃下来自放射科的许多许多图像数据,学好图中的特征,才可能出师. 数据集越大越好, ...
- 一张图像百般变化,英伟达用GAN实现高精度细节P图
在实现复杂且高精度图像编辑效果的同时,EditGAN 还能保持较高的图像质量和对象身份,英伟达在图像处理领域果然「出手不凡」. 当前,AI 驱动的照片和图像编辑技术有助于简化摄影师和内容创作者的工作流 ...
- 英伟达推出GAN“超级缝合体”,输入文字草图语义图都能生成逼真照片
晓查 发自 凹非寺 量子位 报道 | 公众号 QbitAI 继GauGAN2之后,英伟达推出了一个GAN的"超级缝合体"--PoE GAN. PoE GAN可以接受多种模态的输入, ...
- 蔚来、威马抢装的英伟达Orin,正成为高端智能车标配
不可否认,自动驾驶重构了我们定义汽车的方式. 正如评价一辆传统车的性能优良与否,我们不仅会看它的马力,还要看悬挂.刹车等综合要素.今天,一台具备自动驾驶的智能汽车,我们会关注它搭载的处理器的算力上限. ...
- 英伟达验证图片加载不出来_让大卫雕塑跳舞、蒙娜丽莎说话,英伟达视频合成有如此多「骚操作」...
用视频到视频的合成技术生成会跳舞的小哥哥(小姐姐) 或自己本人已经不是什么无法解决的问题,但这些方法通常需要大量目标人物的数据,而且学到的模型泛化能力相对不足.为了解决这个问题,来自英伟达的研究者提出 ...
- 浪潮信息英伟达霸榜!MLPerf™最新榜单发布,浪潮信息包揽2021年度近半数冠军...
允峰 发自 凹非寺 量子位 编辑 | 公众号 QbitAI 美国东部时间12月1日,国际权威AI基准测试MLPerf™公布最新一期训练(Training)榜单V1.1.在全部16个固定任务(Close ...
- 英伟达_如何超越英伟达?
从AI热潮中率先获益的英伟达,其GPU参数和性能频繁出现在不少AI芯片发布会的对比图中.这是在缺乏AI芯片衡量的标准时,新的AI芯片证明自己实力的不错方式.不过,声称性能超越英伟达GPU的创新AI芯片 ...
- 玩了5万局游戏,英伟达让GameGAN自己生成「吃豆人」,世界首创无需游戏引擎...
本文转载自新智元(AI_era). 新智元报道 编辑:元子 [新智元导读]近几年来,英伟达在GAN这个领域越走越远.英伟达推出"GameGAN",不需要任何底层游戏引擎,用 ...
- 【转】怎样评价寒武纪的芯片1P 1M和MLU100?能够叫板英伟达吗?
https://zhuanlan.zhihu.com/p/36462032 今天,市场研究顾问公司Compass Intelligence公布了全球100家AI芯片企业排名,其中,排名第22位的正好是 ...
最新文章
- python networkx绘制图
- 造成java.io.IOException: Stream Closed异常的代码
- 30种优化查询速度的方法
- Java8中的外观(JavaFX8)
- 我是如何拿到百度计算机视觉暑期实习offer的?百度面经(成功上岸!已拿offer)
- 腾讯第一季度总收入1353亿元 净利润478亿元
- QT每日一练day1:第一个程序
- 数字IC设计流程总结
- 使用Flutter开发一个仿微信飞机大战游戏
- 使用apipost工具快速生成在线接口文档
- 局域网打印机怎么连接_苹果手机怎么连打印机?苹果系统怎么连接网络打印机?一看就会...
- C Primer Plus(第6版)第十章复习题答案
- 计算机专业论文要怎么写,计算机专业本科生论文摘要怎么写 计算机专业本科生论文摘要范文参考...
- 从网易产品出发解读To B营销如何应用增长黑客
- MATLAB 动态规划
- Windows脚本:打开浏览器访问任意网址
- IIS 部署php程序
- 基金买卖波段指标 主图 源码 效果图
- DEMATEL-ISM模型的Python实现——方法介绍以及代码复现
- 全栈工程师之路---2018最全web开发路线图
热门文章
- 亚马逊要做一款会说话的智能眼镜,但看起来没那么性感
- php 判断两个数组对象是否相等_PHP是世界上最好的语言
- 给Java程序员的一些面试建议,大厂面试题汇总
- linux中which命令详解,Linux下which命令使用详解(转)
- python 函数参数枚举_Python中的枚举:如何在方法参数中强制执行
- 怎么让同网络计算机强制关机,知道局域网ip怎么关机
- php检测数组值的长度,php检测数组长度的函数sizeof count_PHP教程
- 分析reduce()的原理
- python unicode 编程 pdf,Python | Python学习之unicode和utf8
- php mysql5.7.110安装教程_CentOS7安装配置Nginx1.10、PHP5.6、MySQL5.7教程