换脸见多了,换身材的见过吗?给定一张脸,就能自动换一个下半身,服饰、身材、肤色都毫无 PS 痕迹: 核心技术当然还是我们熟悉的 GAN ,但不同的是,现在身体的每个部分都能被 PS 了。 从脸,肤色、服饰、头发等身体各个部位,甚至到肢体动作,都能被随意设计和组合,最终"缝"成一张 1024 × 1024 分辨率的全身照片: 而且这张"缝合怪"还完全没有拼接行为带来的阴影和边界: ▲上方的面部由新方法生成,阴影边界很少 怎么做到的?把用于生成人体不同部位的 GAN"拼"起来。 这就是 Adobe 团队最新提出的一种结合多个预训练的 GAN 进行图像生成的新方法,论文目前已被 CVPR 2022 接收: 接下来就一起来看看他们到底是如何实现的。用 PS 的方式 GAN 出个人体 如我们开头所说,这是一种将多个 GAN 拼接起来使用的方法,研究团队将其称之为 InsetGAN 。 共分为两类 GAN: 全身 GAN(Full-Body GAN),基于中等质量的数据进行训练并生成一个人体。 部分 GAN,其中包含了多个针对脸部、手、脚等特定部位进行训练的 GAN。 这两类 GAN 的合作方式类似于 PS:全身 GAN 是一张已经有打底线稿的画布,而部分 GAN 则是一张一张叠在上面的图层。 但不同边界的"图层"在叠到画布上时,一定会有出现对齐问题。 比如,将一张脸添加到身体上时,在肤色的一致性、衣服边界和头发披散的自然性上可能出现细节的扭曲和丢失,或出现伪影(Artifacts): 如何才能更好地协调多个 GAN,让它们产生一致的像素呢? 研究团队设计了这样一种架构: 他们首先引入了一个边界框检测器,检测部分 GAN 生成的特定区域在底层画布,也就是全身 GAN 生成的区域中的位置,经过裁剪后再将特定区域嵌入。 这一过程相当于找到了两个区域之间的一种随机潜码 (latent code),使得所选区域的边界能够和嵌入区域相匹配,以实现无缝合成。 同时,他们还会对这两个区域进行下采样(Downsample),再次增加图像像素内容的一致性。 基于这种方法,InsetGAN 可以在训练后生成多张完整人像,同时肤色、头发和相关姿势都能作出相应调整: 研究团队也与之前的生成全身人像的方法 CoModGAN 做了比较,都是基于左侧的人体进行面部的替换,显然,InsetGAN 生成的面部更加自然: ▲上为 InsetGAN,下为 CoModGAN作者介绍 论文共有 6 位作者,5 位来自 Adobe 研究院,还有 1 位来自阿卜杜拉国王科技大学(KAUST)。 其中有 Adobe 的首席科学家 Jingwan Lu,是 PS 2020 中智能肖像、皮肤平滑、着色和神经风格化等过滤器的主要算法贡献者,也是 RealBrush 笔刷合成器的开发者。 她目前领导的团队主要致力于利用大数据和生成性 AI(比如 GAN)来进行视觉内容的创造。 所以,准备好足不出户换身材了吗?(手动狗头) 论文地址: https://arxiv.org/abs/2203.07293 参考链接: [1]https://www.youtube.com/watch?v=YKFYEt5hvOo [2]http://afruehstueck.github.io/insetgan/