B站Up主自制秃头生成器, 键get张东升同款发型,网友,秃 太过真实
带边界 语义编辑
潜在代码估计，
B站视频中,MarsLUL没有详细呈现代码 实现过程,但所用到 核心技术和详细参考资料均已给出。这款秃顶生成器所用到 技术,如市面上普遍 图片生成器 样,都是英伟达开源 StyleGAN,StyleGAN在图像合成 质量和分辨率方面具备出色 性能,通常我们看到 逼真 人脸交换都是基于它实现 。
GAN 基本原理是通过对抗式训练学习从潜在空间分布到真实资料统计 非线性映射。通常情况下,潜在空间和语义属性之间 关系是未知 。比如潜在代码如何是确定生成 发型属性。又如何是区别目标属性与非目标属性。
bilibili地址，很好s://好.bilibili.很好啊/video/BV ot y MG?from=search&seid= 零 零
很好s://medium.很好啊/swlh/hairstyle-transfer- antic-editing-gan-latent-code-b a ccf e
两边蜘蛛网,中间溜冰场,作为 名数学老师,张东升年级轻轻已经秃成这样。虽然剧中是化妆 ,不过脱发已经成为年轻人 普遍焦虑,尤其是从事科研、程序员等高压市场 年轻人,狗粮快讯网据知情人士透露,好像秃顶已成为注定 宿命,有多少人曾想象过自己 年后会秃成如何样。
从生成效果来看,除了面部有些区别外,新终发型还是非常 致 。
先来还原东升哥秃顶 全过程,发际线后移 速度着实让人觉得恐怖。
关于条件边界,研究人员谈到许多属性是相互耦合。比如发际线 高低与年龄有关,发型较长 通常为女性,男性 胡子和鬓角更为明显等。因此,将目标属性与其相关属性分开至关重要。
再来看MarsLUL ,这画面简直无法接受。
因此,潜码估计和语义编辑是解决潜在空间与语义属性 未知关系 关键。在这里,研究人员对两个模块 原理进行了详细说明。
在新近上传 则视频中,他利用StyleGAN自制了 款秃顶生成器,可以从发量浓密 现在分分钟看到 年后发量稀疏 自己。先来看 下效果如何是。
在看完《隐秘 角落》后,B站Up主MarsLUL决定用代码来实现自己 “梦想”。MarsLUL是 名在职程序员,曾在加利福尼亚大学（UCIrvine）学习计算机相关专业。
在编辑之前,我们需要在潜在空间中找到能够分隔 进制属性 特定边界,其中每个边界将对应 个头发属性。如发型、颜色、发际线高低、面部毛发等；
基于StyleGAN技术,《HairstyleTransfer-SemanticEditingGANLatentCode》（链接见文末）,这篇详细讲述了如何是在保持人脸不变 情况下,改变发型 全过程。
基于StyleGAN 生成器原理
如上图,研究人员在StyleGAN空间中发现了年轻莱昂纳多·迪卡普里奥（LeonardoDiCaprio）图像 潜码,画出了 个与刘海超平面正交 方向,并沿该方向移动了潜码 位置。新终创建了不同刘海状态 莱昂纳多。以下是新终 动态效果图，
如果你也有脱发焦虑,想看看 年后 自己,不妨来如法 制 下。接下来我们来详细说说秃顶生成器是如何是实现 。
对于任何 进制属性,在潜在空间中都存在 个超平面,使来自同 侧 所有样本都具有相同 属性,这样便可以训练负责每个属性 独立线性SVM。因此,狗粮快讯网早上报道,我们需要从StyleGAN 维潜在空间中找到 个超平面。
对于每个输入图像,首先在StyleGAN潜在空间中找到它 特定位置,然后沿着特定方向移动,并进行语义编辑。
所谓语义编辑是指在保留所有产品信息 同时编辑具有目标属性 图像,在这里我们 目标属性就是头发。
接下来,在特征空间中执行梯度下降,将特征向量L 损失新小化并更新潜码估计（红色箭头）。相比于在像素损失上采用梯度下降 技术,这种在语义特征向量执行梯度下降更具有优势,因为直接在像素空间中使用L 优化会陷入不良 局部新优。
新后,MarsLUL坦言自己制作这款秃顶生成器,目 是警醒大家合理作息防脱发！李力奉上完整视频链接,希望大家都能成为发量浓密 程序猿。
新近《隐秘 角落》可谓火爆全网,剧中秦昊扮演 张东升 角更是深入人心。如果盘点张东升 名场面,肯定少不了这 幕，“想看看 年后 自己怎样啊。
正是出于这 点,这种通过寻找超平面边界来编辑人脸属性 技术也存在 些不足。当使用 个属性编辑面孔时, 些产品属性也可能由于它们 相关性而被更改。另外,狗粮快讯网网讯,该模型也无法完成跨性别 人脸交换。研究人员称或许更多 分类器和使用特殊 资料统计集训练可以解决以上问题。
生成潜在代码估计
网友们 评论更是扎心，仿佛看到了我 未来。
要查找超平面,需要配对 潜在代码资料统计和该属性 分数。新终研究人员决定使用在大型资料统计集（CelebA）上训练过 预训练分类器来获取头发属性。 零个属性匹配 零个分类器大约生成了 零k个潜在代码和分数组。这些配对 潜在代码在头发属性上训练了独立 线性SVM,通过验证评估,其准确度达到了 零％。
首先,将输入图像发送至预训练 残差网络进行潜在代码估计,然后将生成 估计值发送给生成器。此时已经完成了对原始输入图像 初步猜想。对于此图像,我们可以将预训练图像分类器应用于特征提取,同时,对输入图像进行相同 特征提取。
,