当前，人工智能和深度学习技术正在成为文本图像生成、超分辨率等应用的重要基础。现在，可以输入图像的高细节描述以获得与给定文本相对应的逼真图像。还可以将图像从低分辨率转换为高分辨率，从而为图片生成一系列生动的细节。神经网络似乎具有无限的能力。那么，这些方法能否用于时间旅行呢？例如，你有没有想过如果你的照片是五十或一百年前拍的，会是什么样子？如果你最喜欢的演员出生在一个完全不同的时代，他们会是什么样子？时间旅行第一步：解决数据集挑战鉴于StyleGAN最近在高质量人脸合成和编辑方面取得的成功，许多工作都集中在使用预训练的StyleGAN模型进行人像编辑。然而，现有技术通常处理定义明确的语义属性。例如，添加或删除微笑或更改图片中人物的年龄。这部作品背后的逻辑是，将构成一个人身份的这些属性原封不动地保留下来，同时，用这辆人工智能越野车将它们送回过去或未来。在这种情况下，人们面临的主要问题是缺乏合适的数据集。我们都知道，即??使有了完美的神经网络模型，数据集仍然是每个AI研究人员的噩梦。数据不平衡、不足或不可用是深度学习领域的普遍问题，会导致数据有偏或结果不准确。为了克服这个问题，康奈尔大学华裔科学家陈明明（左二）领导的研究团队创建了FTT（FaceThroughTime）数据集。Chen与佐治亚大学华裔科学家JinSun等人共同发表论文，详细解释了“FacesThroughTime”数据集的工作原理。此数据集中的图像来自维基共享资源。该平台拥有5000万张众包和开放许可的图像。FTT分析了19世纪至21世纪的26,247幅肖像画，平均每十年约1,900张图像。GANs父子层级的变化、化身AI“时光机”是如何实现的？研究团队依赖于StyleGAN（生成对抗网络）亲子层次结构。特别的是，他们没有选择训练覆盖所有epoch的单一模型，而是为每十年的图像集添加一个子模型，通过训练模型集更好地综合每个时期的数据分布。同时，为了保留被描述人的身份和姿势，研究团队采用父模型将这些信息映射到潜在空间向量中。首先训练一个StyleGAN模型集，每一代一个，使用adversarialloss和identityloss训练混合人脸图。此面部贴图是子模型的输出，经过修改后混合贴图在颜色上与父模型相似。研究团队建议，在此过程中，有必要避免由于流行的面部识别模型ArcFace中的特征计算而导致身份丢失的不一致。由于ArcFace模型仅在现代图像上进行训练，研究人员发现它在历史图像上表现不佳。之后，每个真实图像被投影到十年流形（下图中的1960）上的向量w上。在这个向量上，生成器G'被训练为将精细细节传输到所有子模型。最后，在输入图像上应用蒙版以鼓励模型保留肖像的面部细节。研究团队在对所有子模型进行微调后发现，FTT不同年龄段的子模型（下图中橙色）都成功捕捉到了母模型中每张图片的人像（下图中蓝色）而他们的发型和妆容则发生了变化。这种新的合成图像框架有两个好处：一是实现了穿越时空的人像愿望；其次，时移人脸时，该技术可以保留人像的大部分细节。尽管它在数据集中仍然存在小偏差（例如，20世纪初的图像中出现了几个短发女性），导致输出图像不一致，但与之前的工作相比，该模型在真实感方面有所提高。很大的进步。《一张穿越时空的脸》开启了穿越时空的第一步。如此之高的准确度让人不禁疑惑：这次是跨越时间的人像，那么下次呢？参考资料：https://www.marktechpost.com/2022/11/09/latest-artificial-intelligence-ai-research-proposes-a-method-to-transform-faces-through-time/https://facesthroughtime。github.io/
