本文中的用于生成虚拟人脸图片的机器学习网络是 Generative Adversarial Networks（GAN）生成对抗网络中的一个应用，Deep Convolutional Generative Adversarial Networks （DCGAN）深度卷积生成式对抗网络。
首先来看一个问题，以下这些面孔中，有哪些是真实存在的？
他们是真的吗？
答案将在文末揭晓，首先先让我们看看如何利用对抗网络生成的虚拟人脸。
深度卷积生成式对抗网络（DCGANs）
作者另一篇文章，利用对抗网络完成卡通图片生成，包含了对抗网络 GAN 的一些基本知识，方便初学者查看。作者同时将这个研究项目分享到了GitHub，以及可以云端运行的Kaggle。
本文中提到的人脸图片生成与卡通图片生成技术都是依据 Redford 等人在 2015 年发布的论文《深度卷积生成网络的无监管学习》。具体模型大致如下
作为机器学习过程中重要的一环，原始数据集，作者选用了CelebA中真实明星照片，并进一步进行裁剪加工为 128x128 大小、仅留下人脸部分的照片。
这项实验研究的目的可以描述为，通过机器学习的不断训练，使生成器与判别器形成一种类似“竞争”的关系，两个网络互相抗衡损失，最终到达一个完美的平衡点。那么对于下列损失函数来说，这样的平衡点在哪里呢？
在理想的状态下，最终的均衡状态应满足：
生成的样本图像最够真实并且接近于真实图像分布。
判别器收敛到 0.5-50%的正确率使得判别器分辨不出样本是生成的还是真实的。
生成器收敛到 1.0-100%的正确率使得所有生成图片都足够真实，可以骗过判定器。
训练过程
根据最终状态可以得出以下的超参数：
经过 60 个训练周期后，最终损失情况如下：
训练结果并不完美，但是依然可以看出判别器的损失接近于 0.5，而生成器的损失平均接近于 1.0，并且，随着训练周期的增加，生成的样本图片质量也有显著的提高。这 60 个训练周期是在特斯拉 K80 GPU(Kaggle 云端)上进行的，总共运行时长约为 100 小时。
结论
最终生成的的高保真的样本图片如下，
大部分的人脸看起来拟真度都相当的高，只有一少部分显得有些畸形，在眼镜等一些细节上也有些瑕疵，但总体来说，在考虑训练过程中资源有限的情况下，它的表现还是非常令人满意的。
展望未来
通过这个人脸生成的研究项目，可以证明使用生成对抗网络生成逼真的人脸图片是绝对有可能的。即使是在这种训练资源有限的情况下，还是可以生成足以以假乱真的图片。那么在更大、更先进的研究实验室里，完全可以生成质量更高、分辨率更清晰的图片。
题外话，科技的发展让这些拟真度非常高的虚假人脸生成更加容易，在面对这些面孔的时候我们也应该抱有更高的警戒心。
回到文初的问题，这几张图片全部都是由尖端科技 StyleGAN 生成的虚假照片。
原文链接：
Face Generator - Generating Artificial Faces with Machine Learning
暂无签名
Java 避坑指南：Java 高手笔记代码篇
本迷你书包括 86 个业务开发中常见踩坑点。每一个知识点都相当的实用，是程序员业务开发中的必备避坑指南...
评论