天天消息!让GAN再伟大!拽一拽关键点就能让狮子张嘴&大象转身,DragGAN爆火

丰色 萧箫 发自 凹非寺


(相关资料图)

量子位 | 公众号 QbitAI

这两天,一段AI修图视频在国内外社交媒体上传疯了。

不仅直接蹿升B站关键词联想搜索第一,视频播放上百万,微博推特也是火得一塌糊涂,转发者纷纷直呼“PS已死”。

怎么回事?

原来,现在P图真的只需要“轻轻点两下”,AI就能彻底理解你的想法!

小到竖起狗子的耳朵:

大到让整只狗子蹲下来,甚至让马岔开腿“跑跑步”,都只需要 设置一个起始点和结束点,外加拽一拽 就能搞定:

不止是动物的调整,连像汽车这样的“非生物”,也能一键拉升底座,甚至升级成“加长豪华车”:

这还只是AI修图的“基操”。

要是想对图像实现更精准的控制,只需画个圈给指定区域“涂白”,就能让狗子转个头看向你:

或是让照片中的小姐姐“眨眨眼”:

甚至是让狮子张大嘴,连牙齿都不需要作为素材放入,AI自动就能给它“安上”:

如此“有手就能做”的修图神器,来自一个MIT、谷歌、马普所等机构联手打造的 DragGAN 新模型,论文已入选SIGGRAPH 2023。

没错,在扩散模型独领风骚的时代,竟然还能有人把 GAN 玩出新花样!

目前这个项目在GitHub上已经有 5k+ Star ,热度还在不断上涨中(尽管一行代码还没发)。

所以,DragGAN模型究竟长啥样?它又如何实现上述“神一般的操作”?

拽一拽关键点,就能修改图像细节

这个名叫DragGAN的模型,本质上是为各种GAN开发的一种交互式图像操作方法。

论文以 StyleGAN2 架构为基础,实现了点点鼠标、拽一拽关键点就能P图的效果。

具体而言,给定StyleGAN2生成的一张图像,用户只需要设置几个 控制点 (红点)和 目标点 (蓝点),以及圈出将要移动的区域(比如狗转头,就圈狗头)。

然后模型就将迭代执行 运动监督和点跟踪 这两个步骤,其中运动监督会驱动红色的控制点向蓝色的目标点移动,点跟踪则用于更新控制点来跟踪图像中的被修改对象。

这个过程一直持续到控制点到达它们对应的目标点。

不错,运动监督和点跟踪就是我们今天要讲的重点,它是DragGAN模型中最主要的两个组件。

先说 运动监督 。在此之前,业界还没有太多关于如何监督GAN生成图像的点运动的研究。

在这项研究中,作者提出了一种不依赖于任何额外神经网络的运动监督损失(loss)。

其关键思想是,生成器的中间特征具有很强的鉴别能力,因此一个简单的损失就足以监督运动。

所以,DragGAN的运动监督是通过 生成器特征图上的偏移补丁损失 (shifted patch loss)来实现的。

如下图所示,要移动控制点p到目标点t,就要监督p点周围的一小块patch(红圈)向前移动的一小步(蓝圈)。

再看 点跟踪

先前的运动监督会产生一个新的latent code、一个新特征图和新图像。

由于运动监督步骤不容易提供控制点的精确新位置,因此我们的目标是更新每个手柄点p使其跟踪上对象上的对应点。

此前,点跟踪通常通过光流估计模型或粒子视频方法实现。

但同样,这些额外的模型可能会严重影响效率,并且在GAN模型中存在伪影的情况下可能使模型遭受累积误差。

因此,作者提供了一种新方法,该方法通过 最近邻检索在相同的特征空间上 进行点跟踪。

而这主要是因为GAN模型的判别特征可以很好地捕捉到密集对应关系。

基于这以上两大组件,DragGAN就能通过精确控制像素的位置,来操纵不同类别的对象完成姿势、形状、布局等方面的变形。

作者表示,由于这些变形都是在GAN学习的图像流形上进行的,它遵从底层的目标结构,因此面对一些复杂的任务(比如有遮挡),DragGAN也能产生逼真的输出。

单张3090几秒钟出图

所以,要实现几秒钟“精准控图”的效果,是否需要巨大的算力?

nonono。大部分情况下,每一步拖拽修图, 单张RTX 3090 GPU 在数秒钟内就能搞定。

具体到生成图像的效果上,实际评估(均方误差MSE、感知损失LPIPS)也超越了一系列类似的“AI修图”模型,包括RAFT和PIPs等等:

如果说文字的还不太直观,具体到视觉效果上就能感受到差异了:

值得一提的是,DragGAN的“潜力”还不止于此。

一方面,如果 增加关键点的数量 ,还能实现更加精细的AI修图效果,用在人脸这类对修图要求比较严格的照片上,也是完全没问题:

另一方面,不止开头展示的人物和动物,放在 汽车、细胞、风景和天气等不同类型的图像 上,DragGAN也都能精修搞定。

除了不同的照片类型,从站到坐、从直立到跑步、从跨站到并腿站立这种 姿势变动较大 的图像,也能通过DragGAN实现:

也难怪网友会调侃“远古的PS段子成真”,把大象转个身这种甲方需求也能实现了。

不过,也有网友指出了DragGAN目前面临的一些问题。

例如,由于它是基于StyleGAN2生成的图像进行P图的,而后者训练成本很高,因此距离真正商业落地可能还有一段距离。

除此之外,在论文中提到的“单卡几秒钟修图”的效果,主要还是基于 256×256 分辨率图像:

至于模型是否能扩展到256×256以外图像,生成的效果又是如何,都还是未知数。

有网友表示“至少高分辨率图像从生成时间来看,肯定还要更长”。

实际上手的效果究竟如何,我们可以等6月论文代码开源后,一测见真章。

团队介绍

DragGAN的作者一共6位,分别来自马克斯・普朗克计算机科学研究,萨尔布吕肯视觉计算、交互与AI研究中心,MIT,宾夕法尼亚大学和谷歌AR/VR部门。

其中包括两位华人:

一作 潘新钢 ,他本科毕业于清华大学(2016年),博士毕业于香港中文大学(2021年),师从汤晓鸥教授。

现在是马普计算机科学研究所的博士后,今年6月,他将进入南洋理工大学担任助理教授(正在招收博士学生)。

另一位是 Liu Lingjie ,香港大学博士毕业(2019年),后在马普信息学研究所做博士后研究,现在是宾夕法尼亚大学助理教授(也在招学生),领导该校计算机图形实验室,也是通用机器人、自动化、传感与感知 (GRASP)实验室成员。

值得一提的是,为了展示DragGAN的可控性,一作还亲自上阵,演示了生发、瘦脸和露齿笑的三连P图效果:

是时候给自己的主页照片“修修图”了(手动狗头)。

论文地址: https://vcai.mpi-inf.mpg.de/projects/DragGAN/data/paper.pdf

项目地址(代码6月开源): https://github.com/XingangPan/DragGAN

参考链接: [1]https://weibo.com/1727858283/N1iKl4zVG [2]https://twitter.com/_akhaliq/status/1659424744490377217 [3]https://twitter.com/mrgreen/status/1659482594516377601

— 完 —

量子位 QbitAI · 头条号签约

关注我们,第一时间获知前沿科技动态

关键词:

推荐DIY文章
主机存在磨损或划痕风险 PICO4便携包宣布召回
穿越湖海!特斯拉Cybertruck电动皮卡可以当“船”用
vivoXFold+折叠旗舰开售 配备蔡司全焦段旗舰四摄
飞凡R7正式上市 全系标配换电架构
中兴Axon30S开售 拥有黑色蓝色两款配色
荣耀MagicBookV14 2022正式开售 搭载TOF传感器
it