当前位置:行业

让 GAN 再次伟大!拽一拽关键点就能让狮子张嘴 & 大象转身,汤晓鸥弟子的 DragGAN 爆火,网友:R.I.P. Photoshop-焦点热闻

2023-05-21 15:29:28 来源:ZAKER科技

这两天,一段 AI 修图视频在国内外社交媒体上传疯了。

不仅直接蹿升 B 站关键词联想搜索第一,视频播放上百万,微博推特也是火得一塌糊涂,转发者纷纷直呼 "PS 已死 "。

怎么回事?

原来,现在 P 图真的只需要 " 轻轻点两下 ",AI 就能彻底理解你的想法!


(资料图片)

小到竖起狗子的耳朵:

大到让整只狗子蹲下来,甚至让马岔开腿 " 跑跑步 ",都只需要设置一个起始点和结束点,外加拽一拽就能搞定:不止是动物的调整,连像汽车这样的 " 非生物 ",也能一键拉升底座,甚至升级成 " 加长豪华车 ":这还只是 AI 修图的 " 基操 "。

要是想对图像实现更精准的控制,只需画个圈给指定区域 " 涂白 ",就能让狗子转个头看向你:

或是让照片中的小姐姐 " 眨眨眼 ":甚至是让狮子张大嘴,连牙齿都不需要作为素材放入,AI 自动就能给它 " 安上 ":如此 " 有手就能做 " 的修图神器,来自一个 MIT、谷歌、马普所等机构联手打造的DragGAN新模型,论文已入选 SIGGRAPH 2023。没错,在扩散模型独领风骚的时代,竟然还能有人把GAN玩出新花样!目前这个项目在 GitHub 上已经有5k+ Star,热度还在不断上涨中(尽管一行代码还没发)。所以,DragGAN 模型究竟长啥样?它又如何实现上述 " 神一般的操作 "?拽一拽关键点,就能修改图像细节

这个名叫 DragGAN 的模型,本质上是为各种 GAN 开发的一种交互式图像操作方法。

论文以StyleGAN2架构为基础,实现了点点鼠标、拽一拽关键点就能 P 图的效果。

具体而言,给定 StyleGAN2 生成的一张图像,用户只需要设置几个控制点(红点)和目标点(蓝点),以及圈出将要移动的区域(比如狗转头,就圈狗头)。

然后模型就将迭代执行运动监督和点跟踪这两个步骤,其中运动监督会驱动红色的控制点向蓝色的目标点移动,点跟踪则用于更新控制点来跟踪图像中的被修改对象。

这个过程一直持续到控制点到达它们对应的目标点。

不错,运动监督和点跟踪就是我们今天要讲的重点,它是 DragGAN 模型中最主要的两个组件。

先说运动监督。在此之前,业界还没有太多关于如何监督 GAN 生成图像的点运动的研究。

在这项研究中,作者提出了一种不依赖于任何额外神经网络的运动监督损失(loss)。

其关键思想是,生成器的中间特征具有很强的鉴别能力,因此一个简单的损失就足以监督运动。

所以,DragGAN 的运动监督是通过生成器特征图上的偏移补丁损失(shifted patch loss)来实现的。

如下图所示,要移动控制点 p 到目标点 t,就要监督 p 点周围的一小块 patch(红圈)向前移动的一小步(蓝圈)。

再看点跟踪

先前的运动监督会产生一个新的 latent code、一个新特征图和新图像。

由于运动监督步骤不容易提供控制点的精确新位置,因此我们的目标是更新每个手柄点 p 使其跟踪上对象上的对应点。

此前,点跟踪通常通过光流估计模型或粒子视频方法实现。

但同样,这些额外的模型可能会严重影响效率,并且在 GAN 模型中存在伪影的情况下可能使模型遭受累积误差。

因此,作者提供了一种新方法,该方法通过最近邻检索在相同的特征空间上进行点跟踪。

而这主要是因为 GAN 模型的判别特征可以很好地捕捉到密集对应关系。

基于这以上两大组件,DragGAN 就能通过精确控制像素的位置,来操纵不同类别的对象完成姿势、形状、布局等方面的变形。

作者表示,由于这些变形都是在 GAN 学习的图像流形上进行的,它遵从底层的目标结构,因此面对一些复杂的任务(比如有遮挡),DragGAN 也能产生逼真的输出。

单张 3090 几秒钟出图

所以,要实现几秒钟 " 精准控图 " 的效果,是否需要巨大的算力?

nonono。大部分情况下,每一步拖拽修图,单张 RTX 3090 GPU在数秒钟内就能搞定。

具体到生成图像的效果上,实际评估(均方误差 MSE、感知损失 LPIPS)也超越了一系列类似的 "AI 修图 " 模型,包括 RAFT 和 PIPs 等等:如果说文字的还不太直观,具体到视觉效果上就能感受到差异了:值得一提的是,DragGAN 的 " 潜力 " 还不止于此。

一方面,如果增加关键点的数量,还能实现更加精细的 AI 修图效果,用在人脸这类对修图要求比较严格的照片上,也是完全没问题:

另一方面,不止开头展示的人物和动物,放在汽车、细胞、风景和天气等不同类型的图像上,DragGAN 也都能精修搞定。除了不同的照片类型,从站到坐、从直立到跑步、从跨站到并腿站立这种姿势变动较大的图像,也能通过 DragGAN 实现:也难怪网友会调侃 " 远古的 PS 段子成真 ",把大象转个身这种甲方需求也能实现了。不过,也有网友指出了 DragGAN 目前面临的一些问题。

例如,由于它是基于 StyleGAN2 生成的图像进行 P 图的,而后者训练成本很高,因此距离真正商业落地可能还有一段距离。

除此之外,在论文中提到的 " 单卡几秒钟修图 " 的效果,主要还是基于256 × 256分辨率图像:至于模型是否能扩展到 256 × 256 以外图像,生成的效果又是如何,都还是未知数。

有网友表示 " 至少高分辨率图像从生成时间来看,肯定还要更长 "。

实际上手的效果究竟如何,我们可以等 6 月论文代码开源后,一测见真章。

团队介绍

DragGAN 的作者一共 6 位,分别来自马克斯普朗克计算机科学研究,萨尔布吕肯视觉计算、交互与 AI 研究中心,MIT,宾夕法尼亚大学和谷歌 AR/VR 部门。

其中包括两位华人:

一作潘新钢,他本科毕业于清华大学(2016 年),博士毕业于香港中文大学(2021 年),师从汤晓鸥教授。

现在是马普计算机科学研究所的博士后,今年 6 月,他将进入南洋理工大学担任助理教授(正在招收博士学生)。

另一位是Liu Lingjie,香港大学博士毕业(2019 年),后在马普信息学研究所做博士后研究,现在是宾夕法尼亚大学助理教授(也在招学生),领导该校计算机图形实验室,也是通用机器人、自动化、传感与感知 ( GRASP ) 实验室成员。值得一提的是,为了展示 DragGAN 的可控性,一作还亲自上阵,演示了生发、瘦脸和露齿笑的三连 P 图效果:是时候给自己的主页照片 " 修修图 " 了(手动狗头)。

论文地址:

https://vcai.mpi-inf.mpg.de/projects/DragGAN/data/paper.pdf

项目地址(代码 6 月开源):

https://github.com/XingangPan/DragGAN

参考链接:

[ 1 ] https://weibo.com/1727858283/N1iKl4zVG

[ 2 ] https://twitter.com/_akhaliq/status/1659424744490377217

[ 3 ] https://twitter.com/mrgreen/status/1659482594516377601

关键词:


世界热讯:金属膜

2023-05-21

行业来源:城市网

硬骨藤

2023-05-20

行业来源:互联网

教育