|
|
铜灵 发自 凹非寺
量子位 出品 | 公众号 QbitAI
半个世纪前拍摄的黑白老旧电影，现在迎来了人生的“第二春”。
在AI的帮助下，这些只有黑白灰三色的视频片段，已经变成了彩色的。
在Facebook的F8大会上，国外技术小哥Jason Antic展示了一种叫DeOldify的AI模型，这种技术为老电影上色效果堪称惊艳。
不信？直接看效果：
比如，1960年的美国惊悚恐怖电影《惊魂记》：
用AI上色后的毫不违和，人脸部分的妆容也不别扭：
黑白电影时代的幽默大师卓别林，第一次在镜头下有了颜色：
89年前的美国电影Reefer Madness，就这样被轻松还原了：
输入黑白灰，输出红绿蓝，这个AI模型开始大火。Jason Antic小哥的推特收获了近800赞，推特网友直呼“Amazing！！！”、“very cool”、“wow”。
不过，这还不是DeOldify模型的全部实力。
在线试玩
除了视频，DeOldify还能处理老旧的黑白照片和图像。
比如1936年Dorothea Lange的摄影作品《移民母亲》：
1920年在卧室放松的瑞典妇女：
1911年的Thanksgiving Maskers：
1941年在农场的Lemuel Smith先生及其夫人以及他们年幼的孩子们：
1890年代末的挪威新娘：
1880年吸食鸦片的中国人：
以上这些画作的上色，均由DeOldify完成。无论是人像还是场景，或是绿油油的田园景象，这只AI上色画师的处理都自然完美。
好消息是，这个为图像上色的模型现在还有了demo，你也能在线试玩了。
试玩地址：
https://colorize.cc/
操作也非常简单，传入一张黑白图像，输入自己的邮箱地址，不一会儿就能收到上了色的版本。
高效的NoGAN
上色大师DeOldify是怎么做出来的？
作者小哥表示，这背后是一套名为NoGAN的架构。他自称这是一种奇怪，但是非常高效的图像到图像的训练方法。
这种深度学习模型借鉴了当前多种主流技术方法，包括：
自注意生成对抗网络（Self-Attention Generative Adversarial Network）
生成器是一个预训练的Unet，小哥进行了一个非常简单的转换过程，将其修改成了具有谱归一化和自注意力。
相关研究：
https://arxiv.org/abs/1805.08318
两个时间尺度更新规则
也就是说这是一个一对一的生成/辨别迭代，并且具有更高的辨别器学习率。这种修改能够确保辨别器在生成器训练前被“捕获”。
相关研究：
https://arxiv.org/abs/1706.08500
生成器的损失分为两部分
一是基于VGG16的基本感知损失（或特征损失），这让生成模型更偏向于输入生成图像。二是来自辨别器的损失，因为仅单一模仿输入并不能带来很好的生成结果，可能会出现一些棕色/绿色/蓝色的简单堆叠来欺骗检测。
所以需要意识到，生成对抗网络的本质就是学习损失函数。
NoGAN
重头戏来了，NoGAN是一种新型的GAN训练方法，能用来解决此前GAN训练过程中的关键问题。
NoGAN的相关论文虽然还没有放出，但小哥在Github中大致介绍了NoGAN的特点。
此前，训练模型的大部分时间都用在了预训练生成器和critic这一部分，但NoGAN可以花费最少的时间直接进行训练。
这种方法的训练流程为：
先用常规方法训练具有特征损失的生成器，接下来从中生成图像，并把辨别器当成一个二元分类器，区分输出图像和真实图像之间的差距。对于辨别器来说有一个拐点，在拐点附近生成图像质量最佳。为了找到这个拐点，小哥也只能通过数次尝试，没有巧方法。
NoGAN训练还有一个关键问题，可以在最初GAN训练后，用相同的方式对生成的图像重复进行预训练。
传送门
Github地址：
https://github.com/jantic/DeOldify/blob/master/README.md
— 完 —
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
?'?' ? 追踪AI技术和产品新动态
声明：以上内容来源于网络，如有侵权请联系我们(123@shiyan.com)删除！ |
|
检护民生│靶向发力
国庆假期外地游客纷
十堰市自驾三天两夜
十堰印象：湖北的绿
8天长假，十堰“热
湖北十堰一外卖配送
联合国最新发布，十
窥视卡
雷达卡
发表于 2022-6-29 14:29:37
提升卡
置顶卡
沉默卡
喧嚣卡
变色卡
抢沙发
千斤顶
显身卡
发表于 2022-6-29 14:36:00
