如何用机器学习生成拟真人脸图片?

——使用DCGAN技术生成真实人脸

阅读数:1931 2019 年 9 月 9 日 14:53

如何用机器学习生成拟真人脸图片?

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。

如何用机器学习生成拟真人脸图片?

首先来看一个问题,以下这些面孔中,有哪些是真实存在的?

如何用机器学习生成拟真人脸图片?

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

如何用机器学习生成拟真人脸图片?
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?

复制代码
def model_loss(input_real, input_z, output_channel_dim):
g_model = generator(input_z, output_channel_dim, True)
noisy_input_real = input_real + tf.random_normal(shape=tf.shape(input_real), mean=0.0, stddev=random.uniform(0.0, 0.1), dtype=tf.float32)
d_model_real, d_logits_real = discriminator(noisy_input_real, reuse=False)
d_model_fake, d_logits_fake = discriminator(g_model, reuse=True)
d_loss_real = tf.reduce_mean(tf.nn.sigmoid_cross_entropy_with_logits(logits=d_logits_real,
labels=tf.ones_like(d_model_real)*random.uniform(0.9, 1.0)))
d_loss_fake = tf.reduce_mean(tf.nn.sigmoid_cross_entropy_with_logits(logits=d_logits_fake,
labels=tf.zeros_like(d_model_fake)))
d_loss = tf.reduce_mean(0.5 * (d_loss_real + d_loss_fake))
g_loss = tf.reduce_mean(tf.nn.sigmoid_cross_entropy_with_logits(logits=d_logits_fake,
labels=tf.ones_like(d_model_fake)))
return d_loss, g_loss

在理想的状态下,最终的均衡状态应满足:

  1. 生成的样本图像最够真实并且接近于真实图像分布。
  2. 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。
  3. 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:

复制代码
DATASET_SIZE = 100000
IMAGE_SIZE = 128
NOISE_SIZE = 100
LR_D = 0.00004
LR_G = 0.0002
BATCH_SIZE = 64
EPOCHS = 60
BETA1 = 0.5
WEIGHT_INIT_STDDEV = 0.02
EPSILON = 0.00005

经过 60 个训练周期后,最终损失情况如下:

如何用机器学习生成拟真人脸图片?

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,
如何用机器学习生成拟真人脸图片?

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

评论

发布