人工智能时代已经来临。在智能技术浪潮的推动下，重复性工作将会被人工智能取代。一个人、一家企业、甚至一个国家，可以选择的道路只有两条：要么进入前列，要么被淘汰。本文重点介绍人工智能的图像风格转移应用。
下面哪一张图是计算机生成的？
以上图片都是计算机生成的。
图片是使用了一种叫生成对抗网络（GAN）的算法实现的。生成对抗网络（GAN）最早在2014 年，由 Université de Montréal 大学 Yoshua Bengio(2019 年图灵奖获得者)的学生 Ian Goodfellow 提出的。
以一个艺术家的成长轨迹来形象介绍生成对抗网络的思想。
从前有一对兄弟，分别称为老二G 和老大D。G 学习如何绘制漫画，D 学习如何鉴赏画作。还在娃娃时代的两兄弟，尚且只学会了如何使用画笔和纸张，G 绘制了一张不明所以的画作，由于此时D鉴别能力不高，觉得G的作品还行，但是人物主体不够鲜明。在D 的指引和鼓励下，G 开始尝试学习如何绘制主体轮廓和使用简单的色彩搭配。
一年后，G 提升了绘画的基本功，D 也通过分析名作和初学者 G 的作品，初步掌握了鉴别作品的能力。此时 D 觉得 G 的作品人物主体有了，但是色彩的运用还不够成熟。
数年后，G 的绘画基本功已经很扎实了，可以轻松绘制出主体鲜明、颜色搭配合适和逼真度较高的画作，但是 D 同样通过观察 G 和其它名作的差别，提升了画作鉴别能力，觉得 G 的画作技艺已经趋于成熟，但是对生活的观察尚且不够，作品没有传达神情且部分细节不够完美。又过了数年，G 的绘画功力达到了炉火纯青的地步，绘制的作品细节完美、风格迥异、惟妙惟肖，宛如大师级水准，即便此时的D 鉴别功力也相当出色，亦很难将 G 和其他大师级的作品区分开来。
GAN网络借鉴了自我博弈的思想，分别设立了两个子网络：负责生成样本的生成器 G 和负责鉴别真伪的鉴别器 D。类比到画家的例子，生成器 G就是老二，鉴别器 D 就是老大。鉴别器 D 通过观察真实的样本和生成器 G 产生的样本之间的区别，学会如何鉴别真假，其中真实的样本为真，生成器 G 产生的样本为假。而生成器 G 同样也在学习，它希望产生的样本能够获得鉴别器 D 的认可，即在鉴别器 D 中鉴别为真，因此生成器 G 通过优化自身的参数，尝试使得自己产生的样本在鉴别器 D 中判别为真。生成器 G 和鉴别器 D 相互博弈，共同提升，直至达到平衡点。此时生成器 G 生成的样本非常逼真，使得鉴别器 D 真假难分。
图像风格转移需要两张图片完成工作，一张是内容图片，另外一张是艺术图片。
广州塔
石室圣心大教堂
华表
天坛
早期GAN生成的图片很容易被人们分辨真伪。从 2014 年到 2019 年，GAN 的研究稳步推进，算法也有多个分支，其中算法CycleGAN应用到图像风格转移，使用CycleGAN生成图片效果很难被人们分辨真伪。目前国内已经有团队把GAN应用到修复长城和吴哥窟缺失部分的项目中，去年陌陌团队开发的ZAO也是基于GAN技术实现的。
可能梵高没有想过，100年后人工智能以星空的风格画出自己的画像。
我们感叹这些年人工智能科学的进步，坚信人工智能的时代已经来临。
小程序二维码：
高梵小程序
参考文章：
来自龙龙老师的Tensorflow2.0实战
https://github.com/dragen1860/Deep-Learning-with-TensorFlow-book
网友评论