淺析“人臉生成”網站的相關技術

陽雪 楊博

摘 要：近年來人工智能發展非常迅速，有不少人工智能領域的科研成果成功“出圈”，走進大眾視野。其中一項人臉生成技術令全世界感到震驚，因為僅靠人的眼睛已經無法明顯區分由該技術生成的照片與真實照片之間的差異。在驚訝之余也有不少人希望了解這項技術具體是如何實現的，對此，本文將作簡要分析。

關鍵詞：人工智能;人工神經網絡;StyleGAN

2019年初，網站“這個人不存在”一經發布便火遍全網。每次進入網站，頁面會展示一張面帶微笑的人臉照片。但神奇的是，圖片上看起來如此逼真的人臉，其實并不存在于這個世界。這些人臉是AI，即人工智能生成的。網站的創建者Philip Wang在社交網站上表明，他希望通過這種方式提高大眾對一項最新研究成果StyleGAN的認知。StyleGAN是NVIDIA于2018年發布的新項目，歸屬于人工智能領域的人工神經網絡范疇。對于這項技術具體是怎么實現的，應該從源頭講起。

一、人工神經網絡

當前的人工智能分為三個學派。一是符號主義，符號主義認為人工智能起源于數學領域。二是連接主義，原理是模擬大腦的神經網絡結構。三是行為主義，主要原理是控制加感知，通過模擬生物的行為來實現人工智能。

而我們要說的人工神經網絡則歸屬于連接主義。它類似大腦，由特定結構的神經元及連接方法構成。為了模擬神經元之間信息的傳遞，每個基本處理單元都被合適的變換函數控制其狀態。網絡包含多個層次，這些層被歸類為三個種類，即輸入層，隱藏層，輸出層。

由于人工智神經網絡具有運算速度高，適應性強，容錯力強和自組織的優良特性，使得深度學習這個新的研究方向誕生。相比人工神經網絡，深度學習算法強調的是網絡結構的深度。目前經典的深度學習模型包括自動編碼器神經網絡，深度信任神經網絡和卷積神經網絡等。卷積神經網絡可以算是人工智能在圖像識別應用領域最主流的算法之一，在大數據的支持下，卷積神經網絡可以對大批圖像進行準確分類。

二、StyleGAN

（一）StyleGAN的基本模型

StyleGAN是基于生成對抗網絡研發的。生成對抗網絡是無指導的卷積神經網絡中最具前景的方法之一。它是lanJ.Goodfellow等人在2014年提出的通過對抗過程預計生成模型的新型框架。對抗過程即為GANS的核心，由生成模型和判別模型組成。生成模型，指在給出的樣本上，使用某個模型來生成新的數據。判別模型則有一個判斷標準，或者說判斷界限，通過這個界限去區分樣本。簡單來說，GANs中生成模型用于盡可能地創造一張在人類角度看來是真實的圖片，而判斷模型的任務是區分真實和偽造的圖片。通過不斷博弈，若生成模型成功“欺騙”了判別模型，那么我們的目的就達到了。

單從原理上講，生成對抗網絡的生成模型和判別模型并沒有什么限制，我們可以使用任何生成模型和判別模型去實現，生成對抗網絡主要是提供了一種框架。正因為如此，生成對抗網絡目前已衍生出上百種模型，在這些模型的基礎上，又產生了許多變種，使得其功能更完善，網絡結構更穩定。

（二）StyleGAN的前身

作為GANs的衍生種類，ProGAN希望生成的圖像有超高的分辨率。若要達此目的，GANs的網絡結構會非常多，從而造成訓練這樣一個網絡既困難又費時。為了解決這一阻礙，ProGAN的思路是，最初訓練的時候，使網絡的層數較少，這樣我們非常容易就能生成圖片，但圖片的分辨率自然會很低。在訓練過程中，逐步加深網絡層數，隨著訓練次數的增加，生成的圖片也會越來越高清，最終甚至能生成1024*1024分辨率的圖片。通過這樣的方法，ProGAN的學習速度比傳統的GANs高出2到6倍。

由于ProGAN每次增加層數時，開發者沒有對其增加控制，而是完全由模型直接生成。我們無法得知在此過程中模型具體學習到了什么。訓練時，樣本規模大，特征量多，且特征之間是互相關聯的，因此ProGAN控制生成具有特定特征圖像的能力非常有限。

（三）StyleGAN的改進

若我們希望網絡能生成我們具體想要的圖片，就需要對圖片生成過程中網絡學習到的特征加以控制。StyleGAN便是在此基礎上做了進一步的改進。那么，StyleGAN具體做了什么呢？

StyleGAN發現，如果使用較好的方法，是可以實現特征的控制的。由于層數的不同生成圖片的分辨率也不同，其中的特征也伴隨分別率的從低到高由粗糙到高品質，若以此分類，可以將這些特征分為三個種類。最低等的粗糙特征主要是人物姿勢，發型輪廓和面部表情等;中等的特征則是五官的形狀，發型等;而高品質的特征則是五官的細微特征等。

首先，為了減少特征之間的關聯性，增加映射網絡，將輸入向量重新編碼為中間向量，通過中間向量的屬性來控制特征，輸入變量用常量值代替。然后通過自適應實例標準化模塊將中間向量傳輸到生成的圖像中。為了使生成的圖像不失隨機性，StyleGAN還將如雀斑，痣，法令紋等更細微的特征作為隨機噪聲添加到輸入向量中。另外，StyleGAN還使用了樣式混合，截取中間向量和微調網絡的超參數等技巧使生成的圖像更逼真。

三、總結

目前這類人臉生成網站功能愈加完善，從最初只能生成歐美的成人面部，到現在衍生出“高顏值”生成，“動漫人臉”生成和“亞洲人”生成等類型，甚至可以定制生成的圖片。NVIDIA官方已經將StyleGAN的代碼開源，感興趣的朋友可以在官方網站下載，并在Linux及Windows上運行。對于該技術，有少數人表達了他們的焦慮，如今人工智能生成的圖片足夠以假亂真了，怎么避免有不懷好意的人用此技術做些違法犯罪的事情？好在目前已有學者在研究深度判別偽造圖片的技術，同時我相信政府也會出臺相應政策規范此類技術的發展。

參考文獻

[1]蔡自興等著.人工智能及其應用[M].北京：清華大學出版社.2016.

[2]陳先昌.基于卷積神經網絡的深度學習算法與應用研究[D].浙江工商大學，2014.

[3]王坤峰，茍超，段艷杰，林懿倫，鄭心湖，王飛躍.生成式對抗網絡GAN的研究進展與展望[J].自動化學報，2017，43（03）：321-332.

作者簡介

陽雪（1998—），女，漢族，四川廣安，本科，研究方向：計算機。

楊博（1999—），男，漢族，四川廣元，本科，研究方向：計算機。