万圣节定制「丧尸生成器」，编辑部亲测，效果鬼畜

机器之心报道

作者：张倩、魔王

get 了这个网站，今年万圣节 C 位就是你的！

AI 是一个盛产阴间产品的领域，这一点似乎已经毋庸置疑。前不久，有人做了个用来生成「大眼萌」漫画形象的网站「Toonify」，但很快就有人走向了另一个极端：用类似技术做一个丧尸生成器！

利用 Toonify 生成的威尔 · 史密斯漫画形象。

利用「丧尸生成器」生成的威尔 · 斯密斯丧尸形象。

被玩坏的两位美国总统候选人。

这种搞笑又惊悚的风格似乎和即将到来的万圣节很般配。

为了让大家都用上这个效果，作者还专门做了一个名为「MAKE ME A ZOMBIE」的网站。

网站地址：https://makemeazombie.com/

网站的用法非常简单：上传照片，点击「Make Me A Zombie！」，网站就会自动识别出人脸并生成你的丧尸照：

看了生成效果之后，有人表示想在万圣节 Party 上做一个照相棚，希望作者能够开放代码或 API。

看来，有了这个生成器，万圣节不用愁换什么头像了。

技术细节

据作者介绍，该模型的开发与 Toonify 并无关联，不过碰巧使用的是相同的技术栈：

该项目首先通过迁移学习得到一个 StyleGAN2 丧尸生成器，然后基于《Cross-Model Interpolations between 5 StyleGanV2 models - furry, FFHQ, anime, ponies, and a fox model》创建了一个混合型 StyleGAN2 模型。该模型中前面一些层来自原始人类图像生成器，后面一些层则来自丧尸生成器。最后，项目作者阅读论文《StyleGAN2 Distillation for Feed-forward Image Manipulation》后，使用了 50000 个图像对（分别来自人类 StyleGAN2 生成器和丧尸生成器），并使用 Pix2PixHD 学习图像对之间的映射。

不过，该项目所用方法与 Toonify 之间存在两个细微差异：

1. 该项目通过 crappify 进行输入数据增强（https://github.com/fastai/course-v3/blob/master/nbs/dl1/crappify.py）：有目的地调整图像大小和引入压缩伪影；

2. 混合模型可能存在差异，该项目所用模型着重于原始图像的形状和方向，而不是丧尸图像的纹理，而 Toonify 模型正相反。

该项目使用的丧尸数据集包含大约 300 张万圣节丧尸面具和丧尸妆图像，主要来自 Pinterest 和 Google，并经过手动筛选删除非丧尸图像。

在项目开发过程中，作者遇到了一些困难。去年作者使用 CycleGAN 在相同的数据集上进行过尝试，但效果一般。最初，项目作者尝试创建一个生成「一半人类一半丧尸」图像的生成器。作者将数百个样本分成两个类别，并使用支持向量机（SVM）学习分离超平面，以确定潜在空间中的「丧尸」方向。之后作者基于人脸图像生成特定的丧尸，并以此作为 Pix2Pix 数据的基础。但这存在一些问题：1）尽管它可以基于人脸数据良好运行，但生成结果平平无奇；2）丧尸和种族之间存在一些问题，作者并不想创造一个种族改变器。

项目作者使用配备 2080Ti 的计算机，在大约一天的时间中基于 1024x1024 图像训练模型。具体而言，StyleGAN2 使用的是预训练的人脸生成器，只需几小时就能生成丧尸照。Pix2PixHD 部分花费的时间较长，它并未基于面部图像进行预训练，其初始输入为原始面部图像的模糊单色图像，经过大约一天的训练后，它给出了不错的结果。

和以往很多 AI 应用一样，这个「丧尸生成器」也引发了部分用户对于隐私问题的担忧。不过，网站制作者表示：「我们只用您的照片生成丧尸照。这些照片甚至都不会存盘，因此我们这边也不会有记录。」

「MAKE ME A ZOMBIE」网站的隐私政策。

一大波「丧尸照」即将刷屏

在 Twitter 上，已经有不少网友试用了这款丧尸生成器。测试显示，小 baby 的照片也可以成功转换，而且还加上了很多牙齿。

然而，并不是每个转换效果都可以用「可爱」来形容：

帕瓦罗蒂的丧尸照。

甚至有些能检测到人脸的表情包也可以拿来玩：

受好奇心的驱使，机器之心编辑部也用内部照片进行了测试，结果……

如果你也对这个生成器感兴趣，不妨一试，说不定万圣节最「靓」的仔就是你了~

参考链接：

https://www.reddit.com/r/MachineLearning/comments/jhl36y/p_turn_yourself_into_a_zombie_with_a_neural/

Amazon SageMaker实战教程（视频回顾）

Amazon SageMaker 是一项完全托管的服务，可以帮助机器学习开发者和数据科学家快速构建、训练和部署模型。Amazon SageMaker 完全消除了机器学习过程中各个步骤的繁重工作，让开发高质量模型变得更加轻松。

10月15日-10月22日，机器之心联合AWS举办3次线上分享，全程回顾如下：

第一讲：Amazon SageMaker Studio详解

黄德滨（AWS资深解决方案架构师）主要介绍了Amazon SageMaker的相关组件，如studio、autopilot等，并通过在线演示展示这些核心组件对AI模型开发效率的提升。

视频回顾地址：https://app6ca5octe2206.h5.xiaoeknow.com/v1/course/alive/l_5f715443e4b005221d8ea8e3

第二讲：使用Amazon SageMaker 构建一个情感分析「机器人」

刘俊逸（AWS应用科学家） 主要介绍了情感分析任务背景、使用Amazon SageMaker进行基于Bert的情感分析模型训练、利用AWS数字资产盘活解决方案进行基于容器的模型部署。

视频回顾地址：https://app6ca5octe2206.h5.xiaoeknow.com/v1/course/alive/l_5f715d38e4b0e95a89c1713f

第三讲：DGL图神经网络及其在Amazon SageMaker上的实践

张建（AWS上海人工智能研究院资深数据科学家）主要介绍了图神经网络、DGL在图神经网络中的作用、图神经网络和DGL在欺诈检测中的应用和使用Amazon SageMaker部署和管理图神经网络模型的实时推断。

视频回顾地址： https://app6ca5octe2206.h5.xiaoeknow.com/v1/course/alive/l_5f715d6fe4b005221d8eac5d

© THE END 

转载请联系本公众号获得授权

投稿或寻求报道：content@jiqizhixin.com