양쪽에는 거미줄이 있고 가운데에는 스케이트장이 있습니다. 수학 선생님으로서 장동승은 학년 때 이미 대머리였습니다. 이 드라마는 특효성형이지만 탈모는 이미 젊은이들의 보편적인 불안이 되고 있다. 특히 과학연구 프로그래머 등 고압업에 종사하는 사람들은 더욱 그렇다. 보아하니 대머리가 이미 운명적인 운명이 된 것 같다. 얼마나 많은 사람들이 20 년 후에 대머리가 될 것이라고 상상했습니까?
경고음 경고음 Up 의 주인 마스룰은 숨겨진 구석을 보고 코드로 그의' 꿈' 을 이루기로 했다. MarsLUL 은 구글의 재직 프로그래머이다. 그는 캘리포니아 대학 (UC Irvine) 에서 컴퓨터 관련 전공을 공부했다.
최근 올라온 영상에서 그는 StyleGAN 을 이용해 대머리발생기를 만들었는데, 머리카락이 숱이 많은 순간부터 20 년 후 머리카락이 듬성한 자신을 볼 수 있었다. 먼저 효과가 어떤지 보자.
먼저 동승대머리의 전 과정을 복원합시다. 헤어라인이 뒤로 움직이는 속도는 정말 무섭다.
생성 효과로 볼 때, 얼굴에 약간의 차이가 있을 뿐만 아니라, 최종 헤어스타일은 여전히 매우 일치한다.
MarsLUL 을 다시 보면, 이 그림은 정말 받아들일 수 없다.
네티즌의 논평은 더욱 마음에서 우러나온 것이다. 나는 내 미래를 본 것 같다.
당신도 탈모 불안증이 있다면, 20 년 후의 자신을 보고 싶다면 그렇게 할 수 있습니다. 다음으로, 대머리 생성기가 어떻게 실현되었는지 자세히 살펴보겠습니다.
경고음이 울리는 영상에서 MarsLUL 은 코드 구현 과정을 자세히 보여 주지는 않지만 사용되는 핵심 기술과 자세한 참고 자료를 제공합니다. 이 대머리 생성기는 시중에서 흔히 볼 수 있는 사진 생성기와 마찬가지로 NVIDIA 스타일 간 (StyleGAN) 을 사용합니다. StyleGAN 은 이미지 합성의 품질과 해상도에서 뛰어난 성과를 거두었으며, 우리가 흔히 보는 사실적인 얼굴 교환이 바로 이에 기반을 두고 있다.
스타일 간 기술을 기반으로 한 헤어스타일 전송-의미 편집 GAN 잠재 코드 (링크 텍스트 끝 참조) 는 얼굴형을 그대로 유지하면서 헤어스타일을 바꾸는 전 과정을 자세히 설명합니다.
GAN 의 기본 원칙은 적대적 훈련을 통해 실제 데이터에 대한 잠재적 공간 분포의 비선형 매핑을 배우는 것입니다. 일반적으로 잠재적 공간과 의미 속성 사이의 관계는 알 수 없습니다. 예를 들어, 잠재적 인 코드는 생성 된 헤어 스타일 속성을 어떻게 결정합니까? 대상 속성과 대상이 아닌 속성을 어떻게 구분합니까?
따라서 잠재적 코드 추정 및 의미 편집은 잠재적 공간과 의미 속성 간의 알 수 없는 관계를 해결하는 열쇠입니다. 여기서 연구원들은 두 모듈의 원리를 상세히 설명했다.
먼저 입력 이미지를 사전 교육 오차 네트워크로 보내 잠재적 코드 추정을 수행한 다음 생성된 추정치를 생성기에 보냅니다. 이 시점에서 원본 입력 이미지에 대한 예비 추측이 완료되었습니다. 이 이미지의 경우 미리 훈련된 이미지 분류기를 피쳐 추출에 적용하는 동시에 입력 이미지에 대해 동일한 피쳐 추출을 수행할 수 있습니다.
다음으로 피쳐 공간에서 그라데이션 감소를 수행하여 피쳐 벡터 L2 의 손실을 최소화하고 숨겨진 코드 추정 (빨간색 화살표) 을 업데이트합니다. 이 의미 고유 벡터 그라데이션 감소 방법은 픽셀 공간에서 직접 L2 최적화를 사용하면 좋지 않은 부분 최적에 빠질 수 있기 때문에 픽셀 손실 그라데이션 감소 방법보다 유리합니다.
잠재적 인 코드 추정 생성
의미 편집은 다른 모든 정보를 유지하면서 대상 속성으로 이미지를 편집하는 것을 의미합니다. 여기서 우리의 목표 속성은 머리카락이다.
편집하기 전에 잠재적 공간에서 이진 속성을 분리할 수 있는 특정 경계를 찾아야 합니다. 각 경계는 머리카락 속성에 해당합니다. 헤어 스타일, 색상, 헤어 라인 높이, 얼굴 머리카락 등. 을 눌러 섹션을 인쇄할 수도 있습니다
모든 이진 속성의 경우, 같은 쪽에 있는 모든 샘플이 동일한 속성을 갖도록 잠재적 공간에 초평면이 존재하므로 각 속성을 담당하는 별도의 선형 SVM 을 훈련시킬 수 있습니다. 그래서 우리는 StyleGAN 의 5 12 차원 전위 공간에서 초평면을 찾아야 합니다.
초평면을 찾으려면 잠재적 코드 데이터와 이 속성의 점수를 일치시켜야 합니다. 마지막으로 연구원들은 대형 데이터 세트 (CelebA) 에서 훈련된 사전 훈련 분류기를 사용하여 머리카락 속성을 얻기로 했다. 10 일치 속성이 있는 10 분류자는 약 20k 개의 잠재적 코드와 점수 그룹을 생성합니다. 이러한 잠재적인 코드 쌍은 머리카락 속성에서 독립적인 선형 SVM 을 훈련시켜 검증과 평가를 통해 정확도가 80% 에 이릅니다.
각 입력 이미지에 대해 먼저 StyleGAN 의 잠재적 공간에서 해당 위치를 찾은 다음 의미 편집을 위해 특정 방향으로 이동합니다.
위 그림에서 볼 수 있듯이 연구원들은 스타일 간 공간에서 젊은 레오나르도 디카프리오 이미지의 숨겨진 코드를 찾아 앞머리 초평면에 직각인 방향을 그리고 이 방향으로 숨겨진 코드의 위치를 이동했다. (데이비드 아셀, Northern Exposure (미국 TV 드라마), Northern Exposure (미국 TV 드라마), 예술명언) 결국 다른 앞머리를 만든 레오나르도. 다음은 최종 동적 렌더링입니다.
조건 경계와 관련하여 연구원들은 많은 속성이 서로 결합되어 있다고 말한다. 예를 들어 헤어라인의 높이는 나이와 관련이 있다. 여성은 보통 긴 머리를 하고, 남성의 수염과 귀밑머리는 더욱 두드러진다. 따라서 대상 속성을 관련 속성과 분리하는 것이 중요합니다.
이 때문에 초평면 경계를 찾아 얼굴 속성을 편집하는 방법에는 몇 가지 단점이 있습니다. 하나의 속성이 있는 얼굴을 편집할 때 일부 다른 속성도 종속성으로 인해 변경될 수 있습니다. 게다가, 이 모델은 트랜스젠더 얼굴 교환을 할 수 없다. 연구원들은 아마도 더 많은 분류기와 특수 데이터 세트로 훈련하면 이러한 문제를 해결할 수 있을 것이라고 말했다.
결국, MarsLUL 은 그가 이 대머리발생기를 만들었다는 것을 인정하여, 모든 사람의 정상적인 일을 경계하고 탈모를 예방하기 위한 것이다. (윌리엄 셰익스피어, 탈모, 탈모, 탈모, 탈모, 탈모) 저는 완전한 동영상 링크를 드렸는데, 여러분 모두 머리카락이 많이 될 수 있기를 바랍니다. (데이비드 아셀, Northern Exposure (미국 TV 드라마), 비디오명언) "레이펑망 레이펑망"
경고음 주소:/video/bv1ot4y197mg? From = 검색 & ampseid=6465326088364452402
/swlh/ 헤어 스타일-전송-의미-편집-건조-잠복-코드 -b3a6ccf9 1e82