本文经AI新媒体量子比特（公众号ID：QbitAI）授权转载，转载请联系出处转载。AI画出的简笔画能达到什么水平？美国演员拉米·马雷克的一张照片，效果是这样的。和原图接近吗？一起来看看进入《老友记》合影的效果吧。虽然人物众多，但是简笔画的效果还是可以区分剧中人物的。如果拍到头发特别浓密的人，AI还能hold住吗？小姐姐“爆头”的刘海也算是完美还原了。那些更近的呢？看看泰勒斯威夫特的照片。可以说是相当细致了，头发的层次感、轻盈感，还有衣服的褶皱，都发挥得“淋漓尽致”。...这些是名为ArtLine的AI的作品。并且在Reddit上的人气非常高，已经达到了1100+的人气。这么逼真的效果，你觉得是GAN的功劳吗？错误的！ArtLine完全没有使用GAN：正因如此，ArtLine的效果真的让网友们惊叹不已。那么它是如何做到的呢？ArtLine背后的三大“法宝”ArtLine的作者很爽快地分享了其背后的三大技术：Self-AttentionProgressiveResizingGeneratorLoss接下来我们就来一一了解一下每项技术背后的细节。Self-Attention部分引用的技术来自GAN之父lanGoodfellow等人两年前提出的研究。等等，你刚才不是说“不用GAN”吗？笔者对此的解释是：没有起到太大的作用。本研究主要是在GAN的生成中加入attention机制，同时将SNgan的思想引入到生成器中。需要解决的是传统GAN本身存在的一些问题，例如：使用小的卷积核很难找到图像中的依赖关系。使用大卷积核会在卷积网络参数和计算效率的研究上失去核心自信。注意力机制如下图所示。其中f(x)、g(x)和h(x)都是普通的1x1卷积，唯一不同的是输出通道大小不同。然后，将f(x)的输出转置乘以g(x)的输出，再通过softmax归一化，得到一个AttentionMap。得到AttentionMap后，逐像素乘以h(x)得到自适应attentionfeaturemaps。从结果来看，引入self-attention机制的效果在FID和IS这两个性能指标下确实取得了较好的效果。ArtLine涉及的第二个技术灵感来自Nvidia2018年的一项研究。本研究主要提出了一种训练对抗神经网络的新方法。核心思想是逐步训练生成器和判别器：从低分辨率开始，随着训练的进行逐渐添加新层以细化细节。这种方法不仅可以加快训练速度，而且更稳定，可以产生高质量的图像。ArtLine涉及的最后一项技术来自斯坦福大学李飞飞团队2016年提出的研究，该研究主要解决实现样式转换的问题，相对耗时。风格转换部分主要使用上面的网络模型，可以分为两部分：左边是图像转换网络，右边是损失网络。其超分辨率重建也采用上述网络模型，只是具体内部图像转换网络部分略有不同。与之前的研究相比，这个网络达到了相当的效果，但速度提升了100倍之多，达到了3个数量级。关于作者ArtLine的项目作者叫VijishMadhavan。他在GitHub上坦言自己不是程序员，同时也指出了ArtLine目前的一些缺陷，比如在处理像素低于500px的图片时效果不尽如人意。ArtLine现在可以在线玩了！感兴趣的读者可以点击下方链接进行体验。Colab链接：https://colab.research.google.com/github/vijishmadhavan/Light-Up/blob/master/ArtLine(Try_it_on_Colab).ipynb.ipynb)https://colab.research.google.com/github/vijishmadhavan/Light-Up/blob/master/ArtLine.ipynbGitHub项目地址：https://github.com/vijishmadhavan/ArtLine
