http://www.cslt.org/mediawiki/index.php?action=history&feed=atom&title=%E6%95%99%E5%AD%A6%E5%8F%82%E8%80%83-22 2026-04-04T13:00:44Z 本wiki的该页面的版本历史 MediaWiki 1.23.3 http://www.cslt.org/mediawiki/index.php?title=%E6%95%99%E5%AD%A6%E5%8F%82%E8%80%83-22&diff=38993&oldid=prev 2022-08-10T09:48:21Z

<p></p> <table class='diff diff-contentalign-left'> <col class='diff-marker' /> <col class='diff-content' /> <col class='diff-marker' /> <col class='diff-content' /> <tr style='vertical-align: top;'> <td colspan='2' style="background-color: white; color:black; text-align: center;">←上一版本</td> <td colspan='2' style="background-color: white; color:black; text-align: center;">2022年8月10日 (三) 09:48的版本</td> </tr><tr><td colspan="2" class="diff-lineno">第31行：</td> <td colspan="2" class="diff-lineno">第31行：</td></tr> <tr><td class='diff-marker'>&#160;</td><td style="background-color: #f9f9f9; color: #333333; font-size: 88%; border-style: solid; border-width: 1px 1px 1px 4px; border-radius: 0.33em; border-color: #e6e6e6; vertical-align: top; white-space: pre-wrap;"><div>===美颜可能带来的社会问题===</div></td><td class='diff-marker'>&#160;</td><td style="background-color: #f9f9f9; color: #333333; font-size: 88%; border-style: solid; border-width: 1px 1px 1px 4px; border-radius: 0.33em; border-color: #e6e6e6; vertical-align: top; white-space: pre-wrap;"><div>===美颜可能带来的社会问题===</div></td></tr> <tr><td class='diff-marker'>&#160;</td><td style="background-color: #f9f9f9; color: #333333; font-size: 88%; border-style: solid; border-width: 1px 1px 1px 4px; border-radius: 0.33em; border-color: #e6e6e6; vertical-align: top; white-space: pre-wrap;"></td><td class='diff-marker'>&#160;</td><td style="background-color: #f9f9f9; color: #333333; font-size: 88%; border-style: solid; border-width: 1px 1px 1px 4px; border-radius: 0.33em; border-color: #e6e6e6; vertical-align: top; white-space: pre-wrap;"></td></tr> <tr><td class='diff-marker'>−</td><td style="color:black; font-size: 88%; border-style: solid; border-width: 1px 1px 1px 4px; border-radius: 0.33em; border-color: #ffe49c; vertical-align: top; white-space: pre-wrap;"><div>* <del class="diffchange diffchange-inline">美颜和换脸具有相似的技术，事实上是对自身身份的标识的一种修改，可能会带来一些社会问题。</del></div></td><td class='diff-marker'>+</td><td style="color:black; font-size: 88%; border-style: solid; border-width: 1px 1px 1px 4px; border-radius: 0.33em; border-color: #a3d3ff; vertical-align: top; white-space: pre-wrap;"><div>* <ins class="diffchange diffchange-inline">美颜和换脸具有相似的技术，事实上是对自身身份的标识的一种隐藏，可能引起信任风险。</ins></div></td></tr> </table>

Cslt http://www.cslt.org/mediawiki/index.php?title=%E6%95%99%E5%AD%A6%E5%8F%82%E8%80%83-22&diff=38992&oldid=prev 2022-08-10T09:47:26Z

<p>以“==教学目标== * 了解两种美颜策略的基本原理 * 讨论美颜可能带来的社会问题 ==教学内容== ===人工智能为你美颜=== * 爱美之...”为内容创建页面</p> <p><b>新页面</b></p><div>==教学目标==<br /> <br /> * 了解两种美颜策略的基本原理<br /> * 讨论美颜可能带来的社会问题<br /> <br /> <br /> ==教学内容==<br /> <br /> ===人工智能为你美颜===<br /> <br /> * 爱美之心人皆有之，每个人都想把自己最美的一面展示给别人。传统美颜都是修图师手工来做的，他们很擅长用各种图像编辑软件对照片进行处理，如去掉雀斑和皱纹，调亮肤色，修饰眼眉和睫毛等。这种人工处理方式要花费很长时间，还需要有专业技能。<br /> * 现在人工智能也可以帮我们美颜了。打开一款主流相机，选择“打开AI美颜”功能，就可以拍出让自己眼前一亮的靓照了。<br /> * 人工智能美颜有很多种方法，比如对皮肤进行平滑，颜色加亮，头发加黑或变色等。<br /> * 本节介绍两种美颜方法，这两种方法都基于对抗生成网络（GAN )，可以生成高质量的美颜图片。<br /> * 和很多细节型的美颜方法不同，基于GAN的方法更多是“整体”美颜，基于端到端神经网络建模方法，直接学习漂亮人脸的隐藏特征。因此，这一美颜方法更自然，但因为并不知道学习到了什么特征，更加不可控，有时可能美的非常夸张。<br /> <br /> ===初级美颜：加彩妆的BeautyGAN===<br /> <br /> * BeautyGAN的目的是给定一张无妆照片和一张带妆的参考照片，努力将参考照片的妆容迁移到原始无妆照片上。<br /> * BeatyGAN将原始照片（无妆）和参考照片（有妆）同时输入一个生成模型G，生成一对交换妆容的照片，即原照片上妆，而参考照片去妆。两个区分器DS和DA保证两张生成的照片分别属于有妆和无妆两个类。<br /> * 为增加妆容迁移效果，BeautifyGAN还将眼、唇、面颊等关键部分抽取出来，并强制使生成的加妆照片在这些部件上的颜色分布和参考照片相近。<br /> * 直观上，BeautyGAN并不改变人脸外观，而是通过调节颜色分布来达到美颜效果。<br /> <br /> ===高级美颜：因子分解===<br /> <br /> * BeautyGAN只能调整人脸部件的颜色，美颜效果有限。为了进一步增强美颜能力，研究者提出了因子分解方案。这一方案的基本思路是把一张人脸照片分解成两个主要因子：内容因子代表是谁的脸，风格因子代表人脸的美丑胖瘦、是否画妆等风格。如果分解成功，就可以把漂亮照片的风格因子迁移到待美颜的照片上，实现美颜。<br /> * 模型的结构依然是一个GAN网络。模型的输入是两张人脸照片A和B，A为待美颜的照片，B为参考照片，表示美颜的目标。模型生成一幅照片AB，使之看起来与照片A是同一个人，但在风格上与照片B更加接近。模型首先将照片A和B分别拆解成内容因子Ca/Cb和风格因子Sa/Sb，再提取A的内容因子Ca和B的风格因子Sb，通过生成器G生成图片AB。<br /> * 模型训练时，首先使得A和AB在一个预训练好的人脸识别系统中得到相似的特征，从而保证两者是同一个人；其次，使得AB和B在一个漂亮度打分的预训练模型中获得相似的分数，从而保证AB和A一样漂亮；最后，还需要一个判别器D，使得AB看起来和B来自同一个集合，即都是漂亮人群的真实照片。经过这样的训练后，GAN网络就学会了美颜技巧。<br /> * 在生成照片AB时，也可以综合原照片A和参考照片B的风格因子，对其加权求和作为目标风格因子。显然，照片B的风格权重越大，美颜程度越高，从而实现按需美颜的效果。<br /> <br /> ===美颜可能带来的社会问题===<br /> <br /> * 美颜和换脸具有相似的技术，事实上是对自身身份的标识的一种修改，可能会带来一些社会问题。</div>

Cslt