如何基本不用GAN把照片生成簡筆畫？這個項目就做到了。

先前，機器之心報道過簡筆畫生成人臉。而 AI 從人臉生成簡筆畫的效果如何呢？ 先看幾張效果圖！

《老友記》多人照片轉換效果：

還有男神基努 · 里維斯

效果是不是出奇的好？更有意思的是，這種創(chuàng)作線稿的方法并沒有使用大多數類似工具會用到的生成對抗網絡 GAN。 目前，該項目在 Reddit 上已經有超高熱度，項目名為 ArtLine，github star 量也已經超過 700。如果你想嘗試一下自己的照片，項目作者 Vijish Madhavan 也把代碼放在了 Google Colab 上，運行即可。

項目鏈接：

https://github.com/vijishmadhavan/ArtLine

Colab 地址：https://colab.research.google.com/github/vijishmadhavan/Light-Up/blob/master/ArtLine(Try_it_on_Colab).ipynb

技術細節(jié) 效果驚艷的 ArtLine 都用到了什么技術呢？這里有詳細的技術細節(jié)介紹，包括自注意機制、逐步調整圖片大小以及生成器損失函數。 自注意機制借鑒的相關研究是 Ian Goodfellow 等人的論文《Self-Attention Generative Adversarial Networks 》。

論文：https://arxiv.org/pdf/1805.08318.pdf 項目作者介紹，生成器是經過頻譜歸一化和自注意機制預訓練的 UNET，也借鑒了 Jason Antic 的 DeOldify 項目，從而獲得有關面部特征的適當細節(jié)。 DeOldify 項目地址：https://github.com/jantic/DeOldify 看到這里，也許有讀者會質疑，不是說沒有用到 GAN 嗎？項目作者給出的解釋是，GAN did not make much of a difference so I was happy with No GAN. 在逐步增加圖片大小上，作者分別借鑒了英偉達與首爾國立大學的兩項相關研究：

論文：https://arxiv.org/pdf/1710.10196.pdf

論文：https://arxiv.org/pdf/1707.02921.pdf

在這個項目中，圖像尺寸逐漸增加，學習率也得到了調整。逐步調整圖片大小，可以幫助模型更好地泛化，因為它可以看到更多不同的圖像。 該項目使用到的最后一項技術源于 2016 年斯坦福大學李飛飛團隊的研究論文《Perceptual Losses for Real-Time Style Transfer and Super-Resolution》。

論文鏈接：https://arxiv.org/pdf/1603.08155.pdf 這項研究提出利用感知損失函數來訓練圖像轉換中的前饋網絡，結果表明，在風格遷移任務中，該研究得到了與其他方法類似的效果，但運行速度提升了數個數量級。 轉換效果雖好，但項目作者表示，該項目依然存在著以下一些局限：

獲得良好的輸出效果取決于燈光、背景、陰影和照片質量。一開始通常會獲得好的輸出效果，但也可能出現問題。模型需要調整以適應所有用戶；

模型會混淆陰影與頭發(fā)，這也是項目作者正努力解決的問題；

500px 以下的低質量圖片輸出效果不佳；

由于項目作者并非碼農，代碼和實現會比較困難，未來更新版本將會改進。

關于 ArtLine 轉換中未用到 GAN，網友表達了驚嘆贊許之詞！

責任編輯：lq