情人节「老婆生成器」：用AI创建浪漫伴侣，编辑亲测有效

原创新智元新智元

新智元报道

来源：BuzzFeed

编辑：LQ、小匀

【新智元导读】厌倦了和烦人的、没有自信的人类约会？想要直接设计你的完美情人？没问题！只需回答几个简单的问题，BuzzFeed实验室和它的BF-GAN-69人工智能就能帮你生成你的理想伴侣。

今天是情人节，还没有男/女朋友？没关系，来用AI定制专属你的那个「ta」吧！

AI是个无所不能的东西，这一点毋庸置疑。

美国媒体公司BuzzFeed推出了一个AI新游戏——通过几个快问快答「用AI创造你的完美男友/女友」。

负责该测试的产品总监Chris Johanesen说，这个游戏其实也是想「取笑我们所有人的处境」（隔离），以及「怪异的在线约会」。

get这个技术，看看你的理想型是谁？

要参加测验，你需要回答几个问题：你想要的理想伴侣是什么样。

这些问题通常很常见，没有什么特别之处，但答案比较独特。

测试链接：

https://www.buzzfeed.com/buzzfeedlabs/create-your-perfect-ai-soulmate

第一个问题先确定测试者年龄。

如果你一不小心点了「未满18岁」，那系统就会直接指路「PBS少儿频道」, Enjoy!

Johanesen说：「一般的在线测试可能会有10+或20+不同的结果，这是预先设定好的，不会超出这个范围"，但新游戏，你可以重来几十次，每次都会得到一个不同的结果」。

这个游戏背后是是StyleGAN技术，生成了各种各样不同的个人图片。

在文字方面，BuzzFeed的工作人员贡献了独具个性特征的东西，像短信内容、个人爱好，甚至怪异、黑暗的东西，而这些都是通过算法合成的。

「我认为我们主要是想接受这个游戏带来的荒谬，我们试着要与用户提供的某些信息匹配，所以它不是完全随机的。这个游戏的早期版本更真实，但趣味性不高。」Johanesen说。

Johanesen说，他希望未来可以开发更多「更有代入感」的测试，创作者只需要提出一个概念，不必「编辑每一个选项」。

「我们肯定会用机器学习模型来编写测验，但效果可能不会很好，」他说。相反，该团队对「技术能做的人类不能做的事，以及人类能做的技术不能做的事的那个交叉点」感兴趣。

网友评价：满意度并不高！

看了网友的评价，总体来说满意度并不高。

但AI给的答案确实丰富多彩，比如下面这几种：

不小心点了「未满18岁」，被指路PBS少儿频道的网友，惊讶之余无奈道：谢谢带我重回小时候......

有的生成结果甚至是「无脸人」：

还有碰到和自己同一个地方的「ta」，网友：buzzfeed真的没有跟踪我？！

无所不能的StyleGAN，也可以是日本爱豆生成器

以上的技术基于风靡网络的StyleGAN。

2018年，英伟达提出了StyleGAN，这是一种新型生成对抗性网络(GAN)。

从此，StyleGAN就被用来作各种人脸生成，随你所想。

这不，情人节当然少不了可可爱爱的女生形象，有技术小哥就用StyleGAN开发了自己喜欢的日本偶像：

你喜欢这样的吗？

或者这种的？

作者还开发了脸部特征控制器，比如多笑、多尖鼻、多直发......这种定制式的风格似乎与我们今天的主题——完美女友很般配！

那么，系统是如何建立的呢？

首先，我们先看一下数据和流程组件的整体关系图。在这里，除了GAN是StyleGAN而不是ProgressiveGAN之外，本系统基本上继承了TL-GAN（Transparent Latent-space GAN）的结构。

StyleGAN是由许多偶像脸部图像训练而成，数量超过15K的图像。StyleGAN和其他GAN一样有一个潜伏空间。在系统中，StyleGAN在潜伏空间中使用随机抽样的方式生成150K张图像，并通过人脸属性预测器对图像进行分类，制作一个数据集，从潜伏码中预测属性。然后，属性轴预测器从潜码中学习预测属性并预测轴。在最新的空间里往这个方向添加属性的结果

这是用15000张图片训练后生成的结果：

这是用40000张图像训练后生成的图像：

从两种情况下我们能看出，在40000数据集中，手的生成更好一些。

在这两种情况下，GAN都成功学习生成了前脸图像。在数据集中，数量较少的图像是无法学习生成的。(例如，为了更好地摆姿势而使用手，有麦克风，食物......等)在40000数据集中，手的生成效果更好一些。

StyleGAN与以往的GAN不同，它是潜伏空间是线性的，是分散的；良好的插值性能；线性分离性

在欧几里得几何学中，线性可分离性是两组点的属性。在二维空间（欧氏平面）中，将一组点看作是蓝色的，而另一组点看作是红色的，这是最容易直观的。

如果平面上至少有一条线，所有的蓝色点都在这条线的一边，而所有的红色点都在另一边，那么这两组点是可以线性分离的。如果用超平面代替线，这个思想立即可以推广到高维的欧氏空间。

所以，只要有足够多的数据集，选择合适的线性学习算法，我们就可以找到一个轴来改变一个属性。

所以，这意味着这个GAN适合于像TL-GAN那样的控制生成，因为良好的插值意味着连续地调整每个属性，而线性分离的潜伏空间意味着更容易独立地调整每个属性（如果每个属性是相互独立的）。

脸部属性前导

作者使用MobileNet和celeba数据集来训练人脸属性预测器。在celeba统一随机拆分的训练/验证数据集上，这个预测器的准确率是91%。在用它来预测15万张采样图像标签方面，准确率不是很高。但在某些时候它的工作是合理的。

属性轴预测器

作者使用线性回归来寻找属性轴。线性回归看起来不错，可以看到属性的插值和变化，不过StyleGAN的空间可能不是完全线性分离的，脸部属性预测也不是100%准确。权重系数是属性轴的一个方向，因为回归函数的梯度是增强属性的方向。

StyleGAN的训练数据集

使用爬虫和人脸检测器从任意网站收集的40K张偶像脸部图像。

当作者使用的数据集的数量，我们可以看到一些图像成功地生成几乎相似的照片，所以作者建议是收集至少15000张图片来尝试运行。

数据集与FFHQ数据集的极粗略对比如下：

以上两种，你更喜欢哪种情人节StyleGAN呢？

Anyway, Happy Valentine's Day！

参考链接：

https://medium.com/@_xiongjie_/gan-generates-real-photos-of-japanese-idols-56cc9e5ceedd

https://techcrunch.com/2021/02/12/buzzfeed-ai-quiz/

https://www.buzzfeed.com/buzzfeedlabs/create-your-perfect-ai-soulmate

继续滑动看下一个