No. 9 Deepfakes

No. 8 千面神君：用GANs生成以假乱真的人脸

接下来，我们要为你介绍一款能够伪造人脸图像的AI——Neural Face。Neural Face使用了Facebook 人工智能研究团队开发的深度卷积神经网络（DCGAN）。

研发团队用由100个0到1的实数组成的1个向量Z来代表每一张图像。

通过计算出人类图像的分布，生成器就可以用高斯分布（Gaussian Distribution）根据向量Z来生成图像。在此过程中，生成器学习生成新的人脸图像来欺骗判别器，同时判别器也能更好地区分加工生成的人脸图像和真实的人脸图像。

No. 7 破涕为笑：改变照片中的面部表情和特征

在这一应用中，你只需要提供一些样本图像，研究人员就能生成表情各异的人脸图像。比如，你可以让一个面无表情的人露出笑容。

让面无表情的人露出笑容，给不戴眼镜的人加副眼镜。

实现这一应用的基本思想方法是：将图像的每一列用向量X来表示，计算每一个X的平均值，从而得到一个Y向量。

然后，对向量Y进行一些加法和减法运算，生成一个单一的图像向量Z（如：戴眼镜的男性-不带眼镜的男性+不带眼镜的女性）。最后，把这个图像向量Z输入生成器中。

将一张头像靠左的人脸图像变为靠右的图像

实际上，我们还可以用该模型实现包括旋转、放缩、位置变换在内的多种操作。以位置变换为例，我们可以将一张头像靠左的人脸图像转变为靠右的图像。

为此，我们可以先把向头像靠左和靠右的人脸图像作为样本，对它们取平均值，得到一个“翻转图像”向量。然后，沿着坐标轴对图像向量进行插值（https://zh.wikipedia.org/wiki/%E6%8F%92%E5%80%BC），我们就可以将这种“转变”应用到新的人脸图像上了。

来源&更多信息：GitHub、Paper、Blog

NO. 6 脑洞大开： 用GANs创造出迷幻图像

接下来，我们将为你介绍Google Brain研发的Google Deep Dream。这一应用基于 GoogleNet对物体本质的“认知”可视化。

通过此方法，GANs能够学会生成一些“迷幻”的图片。这些如梦似幻的图像是图片分类器故意过度处理图像的结果。

Deep Dream 用普通图像生成迷幻图片

Deep Dream在图像中“找”到了塔、建筑、鸟和昆虫

当你向Google Deep Dream输送一张图像后，该应用就会开始在图像中寻找各类曾被训练识别的物体。神经网络会将一些毫不相关的物体联系起来，这就好比人们把云想象成小狗、小鸟。然后，Google Deep Dream 会对其联想出的物体作增强处理。

举个例子，当神经网络第一次作出图像识别时，它会认为这张图有40%的可能是一只小狗，而经过一轮处理后，神经网络就会认为可能性增加到了60%。这个过程会不断重复，直到输入图片已被修改得非常像一条狗了。

就这样，它一步步地把原图像调整成另外一张图像。换句话说，创造出了“四不像”的图片。

NO.5 狸猫换太子：改变图像/视频内容

通过图片生成另一张图片是生成网络的另一项有趣应用。凭借此技术，我们可以将一段视频中的动物换成另一种动物，或者将图片里的季节换成另一季节。

该应用的核心在于，使用一组训练图像对来学习映射输入和输出图像。然而，在许多情况下，配对训练图像并不容易获得。为了克服这一问题，我们可以采用“双边镜像绘图”的方式，将一种变换的输入作为另一中变换的输出。这样，我们就能通过无监督学习克服相本容量小的问题了。

下面就是一些例子：

动物变形—通过侦测视频中的奔跑的马给它添加斑马条纹，将马变斑马图像。

季节转换—在图像中改变季节，例如将冬季转为夏季，或将冬季转为春季。

NO.4 化零为整：通过轮廓生成逼真图像

修改逼真图像是一项富有挑战性的工作，它要求在写实的基础上以用户控制的方式改变图像的外观。这一任务的技术含量相当高，一位艺术家可能要经过多年训练才能到达稳定的水准。

GANs 能够从轮廓中生成逼真的图像

给出一件物品的轮廓，这一模型就能够识别出这个物品，并能够生成栩栩如生的物品图像。

在该论文中 ，作者提出一种使用生成对抗网络，从数据中直接学习自然图像流形的方法。模型能够自动调整输出结果，以保证内容尽可能真实，同时所有操作均以约束优化法进行表达，且基本能被实时应用。

这个方法也可以将一张图片变得更像另一张图片，或者根据用户的涂鸦产生全新的图像。

No. 3 未卜先知：通过“场景动态”（Scene Dynamics）预见视频下一秒将发生什么？

理解物体运动和场景动态是计算机视觉中的核心问题。不管是视频识别任务（如行动分类）还是视频生成任务（如未来预测）都需要转换场景的模型。但由于物体和场景改变的方式多种多样，构建这样一个动态模型是很有挑战性的。

为实现这一目标，我们需要一个能将前景和背景区分开来的模型。在保持背景的静止的基础上，神经网络能够了解哪些物体是运动的，哪些物体是静止的。

上面的预测视频便是生成模型想象出来的。尽管这些预测并没有实际发生，基于它们的训练场景类别，这些动作还是相当合理的。

来源&更多信息：Paper、GitHub、Page

NO. 2 依葫芦画瓢：用GANs完成模仿学习

GANs也可以帮助研发自学习人工智能机器人。此前，该领域的研究多涉及奖励机制的应用。

运用GANs的方法，科研人员向人工智能主体输入真实的演示数据，然后人工智能主体就能通过数据学习尝试模仿相同的动作。

一个AI主体正尝试模仿人类跑步

该模型展示了模仿学习的一种新方法。标准加强学习模型通常要求建立一个奖励函数，用于向代理机器反馈符合预期的行为。然而，这种方式在实践中为了纠正细节问题会在试错过程上消耗大量精力。

取而代之的模仿学习，则是让人工智能主体从实例中学习（例如远程遥控机器或者人类活动提供的案例），省去了设计奖励函数的麻烦。

No. 1 自学成才：让“好奇”驱动计算机学习

在很多现实世界的情境中，对人工智能主体的外部奖励是非常少的，或者说根本没有。如此一来，一段被动的程序就会因为它自身的固有属性，无法进化和学习。

在这种情况下，“好奇心”可以作为内置的奖励信号激励人工智能主体去探索它周边的环境、学习在将来对它可能有帮助的技能。在这种情况下主动学习者比被动学习者的表现要好。

在这样的模型中，“好奇心”被设定为 AI预测它自身行为后果能力中的误差。当然了，在这样的语境下，AI也可以通过程序员建立的奖励机制开展学习。

让我们用小孩学习的过程来作个类比。一个不受大人监护的小孩不知道摸热炉子的后果。不过一旦他这样做了，他就会明白他不应该这样做——因为疼痛，也因为了解了摸热炉子和感受到所谓疼痛之间的因果关系。

贪吃蛇游戏：通过“好奇心驱动学习”（curiosity driven learning），贪吃蛇学着去收集那些能增加它的报酬的绿球，并避开那些会减少其报酬的红球。

好奇心驱动的学习（curiositydriven learning）以下面三点作为基础：

• 极少的外部奖励——有了“好奇心”，达成目标所需与外界环境的互动更少了。

• 没有外部奖励的探索，是“好奇心”使AI主体的探索行为更高效。

• 对未知场景中（例如同一个游戏中的新关卡）的泛化处理。此时AI主体利用过往经验探索新大陆，这会比它从零开始探索要快很多。

结语

看完了以上这些应用，你是不是对生成式对抗网络刮目相看了呢。然而，这些只不过是生成式对抗网络初试身手罢了。相对于生成式对抗网络所能完成的工作而言，这些应用只是冰山一角。生成式对抗网络为我们提供了一个强有力的训练神经网络的方法，让机器能够完成任何一个人类能够完成的复杂任务。

生成式对抗网络（GANs）向我们证明了：创造力不再是人类所独有的特质了。