想拥有张东升同款发型吗？谷歌程序员自制秃头生成器

头可断，发型不能乱。

最近有一个男人的名字实在太火了，他叫「张东升」;比他本人更出名的，是他突然摘下假发后露出的发际线。

在看完《隐秘的角落》以后，你会不会突然脑洞大开，思考秃顶后的自己是什么样子呢?

结果就是这么巧，几天前，一位 UP 主隆重推出了自制的秃头生成器，不管你现在有多年轻，头发有多么浓密，这个生成器都能让你一眼望穿二十年后的自己。

众所周知，目前机器学习领域大部分的图片生成工具都是基于 GAN(生成对抗网络)来实现的。英伟达在 2018 年推出了 StyleGAN 之后，AI 生成的人脸已经极其逼真，很难用肉眼来分辨。随后，英伟达也开源了 StyleGAN 的代码，从此，越来越多的假脸就这样被创造了出来，并且发型、皮肤、五官等特征都可以随心变化。

不掏一分钱，也不用出门，在家编程就能实现自己秃顶的梦想。这可不就是程序员们常说的「代码改变世界」?

直到看见了生成结果，这发际线后移的速度太过恐怖：

望着秃头的自己，一瞬间，心就凉了：

‍

虽然也知道自己终将会有这么一天，但还是想逃避：

发量日渐稀疏的程序员看完之后表示：「技术不错，但有被冒犯到。」

详细教程

即使这样你也要尝试?UP 主暂时没有分享出全部代码，但你也可以如法炮制，预知一下自己未来秃头后的颜值(误)。

MarsLUL 提到，该生成器的思路和代码大部分来源于一篇 Medium 教程《Hairstyle Transfer — Semantic Editing GAN Latent Code》。

教程地址;https://medium.com/swlh/hairstyle-transfer-semantic-editing-gan-latent-code-b3a6ccf91e82

这里借用了汤晓鸥、周博磊等人在论文《Interpreting the Latent Space of GANs for Semantic Face Editing》提出的「InterfaceGAN」。

第一步：潜码估计

首先，我们将输入图像发送到预训练的残差网络中，以便在 StyleGAN 中进行初始潜码估计。然后把这个估计值发送给生成器，这让我们对原始输入图像有一个初步的猜测。对此图像我们可以将预训练的图像分类器应用于特征提取。同时，我们将对输入图像也进行同样的特征提取。

然后在特征空间中，我们执行梯度下降，将特征向量的 L2 损失最小化并更新潜码估计(红色箭头部分)。

现在，我们就可以在 StyleGAN 潜在空间内查找任何图像。

带边界语义编辑

在进行编辑之前，我们需要寻找可以在潜在空间中分离二元属性的特定边界。每个边界对应一个头发属性。比如：

发型：波浪 / 直发、刘海;

颜色：黑色 / 棕色 / 金色 / 灰色;

发际线：后退发际线;

面部毛发：胡子、鬓角。

但是如何找到边界?首先要做潜在空间分离，

最终使用 10 个分别于属性匹配的分类器来生成 2 万个潜码和 score pairs。我们在头发属性上训练独立线性 SVM，然后在验证集上进行评估，最终准确性可以达到 80%。

把它们放在一起，对于每个输入图像，我们先在 StyleGAN 潜在空间中找到其特定位置，然后将其按照特定方向移动，以进行语义编辑。

我们对每个属性使用线性超平面，将其法线向量作为输出面相对于目标属性连续变化的方向。例如在上图中，我们在 StyleGAN 空间中找到了年轻的莱昂纳多 · 迪卡普里奥的图像隐代码，绘制了与刘海超平面正交的方向，将隐代码的位置沿该方向移动。这样我们就可以创建不同刘海状态的，迪卡普里奥的图片了。

最后，说到条件边界(Conditional Boundary)，它也在 InterfaceGAN 中被引入。通常，许多属性会相互耦合，比如发际线与人的年龄相关，长发更多出现在女性照片中，胡须仅出现在男性面部。但是把不同属性区分开非常重要。