一生酒色网

图片源泉：B站换脸张国荣视频截图

钛媒体注：本文来自微信公众号新智元（ID:AI_era），编著：金磊、小芹、张乾，钛媒体经授权发布。

再次见到你，真好。

4月1日愚东说念主节，亦然张国荣的忌辰。今天，在哥哥张国荣离开的第16个岁首，有网友用AI让张国荣“回生”，况且演唱了经典歌曲《千千阙歌》、《玻璃之情》。

在视频中，AI“回生”的哥哥正在灌音棚中录着歌曲，开场一启齿，从唱歌的颜料、当作都与张国荣颇为酷似。网友们不经高歌：“太像了”、“泪目”、“哭了”、“想你了，哥哥”。

张国荣是那般的据说，青春旷世，尽管厌世16年，但每年的4月1日，东说念主们一直想奋发把他的每一面都留住来，本年是AI。

AI“回生”张国荣6分钟

这段视频长达6分钟，“张国荣”差别衣着两套衣服唱完两首歌，而这些镜头，也让网友们不禁感触：他仿佛从未离开过。

而在录制第二首歌曲时，出现了一个相称挑升想的镜头：哥哥果然在直播！

新智元了解到，“回生”张国荣视频的作家是来自B站的Up主QuantumLiu（知乎“天清”），现在在国内视觉殊效公司Studio51作念技艺。

据该Up主形色，张国荣的视频使用了自主研发的AI换脸技艺，明晰度、收复度均越过于业内其他使用Deepfakes的恶果，张国荣视频的分辨率也达到了1080P。

QuantumLiu告诉新智元，换脸视频中的男生跟张国荣长出入距很大，“是个朔方汉子”，可是歌曲是“朔方汉子”原声，莫得用张国荣的原声，也没经过处理。

这个6分钟掌握的视频，从拍摄和灌音、裁剪，前后花了一个多星期掌握时候，积贮的原素材概况是20分钟，作念换脸真实的运算时候唯有8个小时掌握。

“咱们用的是变分自动编码器，模仿了deepfakes的想路，可是经管了好多问题，比如高质料数据，鲁棒性，欧美色图磨练速率，散布式磨练，还荟萃公司殊效业务的教育，优化了合成面容，让放回视频里的东说念主脸会通得更天然。比较于其他使用开源活动的青睐者，咱们是一个行将商用的系统，高达1080p+的分辨率是其他东说念主作念不到的。”

QuantumLiu说，下一步，公司会诓骗高清的上风和在影视行业的业务，进攻影视级别高清换脸，并建树换脸绽放平台，让总共东说念主都不错玩转视频换脸。

朱茵变杨幂，分辨率低好操作

其实，AI换脸并不口舌常极新的技艺了。前一阵子便有朱茵变杨幂，海王变徐锦江的关连报说念。

海王变徐锦江

这些技艺的背后，是2017年年底的Deepfakes软件带来的休止。其时Reddit用户Deepfakes，将《神奇女侠》的女主角盖尔·加朵、以及艾玛沃森、斯嘉丽等开阔女明星的脸跟AV女优进行了交换，制作出足以以伪乱果然爱情当作片。

不外，QuantumLiu觉得，现在的网上的作品都是用一个基础fakeapp软件去作念的，纯文娱，是以只可找那些很低分辨率的片断去更换（比如朱茵变杨幂）。

国内也有过银幕上的换脸。在2017年科幻笑剧《不行想异》中，其时由于演员的原因，片方不得不临时换角，由大鹏代替杜汶泽总共戏份，进行了一次“殊效换脸”手术。

但此次换脸，是用通过纯手工的姿色一帧帧地修改画面，耗时快要6个月，才将影片中总共的镜头都换完。在价钱上，不错说是“一秒令嫒”。

而AI换脸和后期换脸有着根柢区别。后者还需要多样建模，以及一桢一桢的修改，前者在操作上只需要提供满盈多的素材让机器学习。

另外，现在以fakeApp为代表的应用存在分辨率低、恶果不判辨、渲染时候长的问题。QuantumLiu先容，用AI和殊效技艺经管一语气针断点再融入贫瘠，one shot面部自适应，机器自主学习光感和画面匹配度，每一次的磨练都会自动叠带，到手率，恶果和渲染速率大幅普及，动态视频的切换愈加好意思满的匹配。现在依然得回了高分辨率光感匹配的打破和重复式渲染的打破。依然不错在几个小时内完成一整部片的替换，而且打算机学习的速率越来越快，时候周期还在不休的裁汰，品性不休普及。

Deepfakes技艺详解

QuantumLiu将在近期发布张国荣“回生”视频的具体收尾方法，在他发布之前，咱们先来了解下Deepfakes的技艺本色。

Deepfakes 使用生成反抗蚁合(GAN)，其中两个机器学习模子进行了较量。一个ML模子在数据集上进行磨练，然后创建伪造的视频，而另一个模子尝试检测伪造。伪造者创建假视频，直到另一个ML模子无法检测到伪造。磨练数据集越大，伪造者越容易创建的确的deepfake视频。

Hongkongdoll only fans

上图走漏了一个图像(在本例中是一张脸)被输入到编码器(encoder)中。其休止是合并张脸的低维示意，偶然被称为latent face。凭据蚁合架构的不同，latent face可能根柢不像东说念主脸。当通过解码器(decoder)时，latent face被重建。自动编码器是有损的，因此重建的脸不太可能有正本的细节水平。

活动员不错皆备范畴蚁合的面容：有几许层，每层有几许节点，以及它们若何一语气。蚁合的真实学问存储在一语节气点的角落。每条边都有一个权重，找到使自动编码器能够像形色的那样使命的正确权重集是一个耗时的历程。

磨练神经蚁合意味着优化其权重以达到特定的目的。在传统的自动编码器的情况下，蚁合的性能取决于它若何凭据其潜在空间的示意重建原始图像。

磨练Deepfakes

需要留神的是，如果咱们单独磨练两个自动编码器，它们将互不兼容。latent faces基于每个蚁合在其磨练历程中觉得有兴味的特定特征。可是如果将两个自动编码器差别在不同的东说念主脸上磨练，它们的潜在空间将代表不同的特征。

使东说念主脸交换技艺成为可能的是找到一种方法来强制将两个潜在的东说念主脸在探究的特征上编码。Deepfakes通过让两个蚁合分享探究的编码器，然后使用两个不同的解码器来经管这个问题。

在磨练阶段，这两个蚁合需要分开处理。解码器A仅用A的东说念主脸来磨练；解码器B只用B的东说念主脸来磨练，可是总共的latent face都是由合并个编码器产生的。这意味着编码器自身必须识别两个东说念主脸中的共同特征。因为总共的东说念主脸都具有雷同的结构，是以编码器学习“东说念主脸”自身的见地是合理的。

生成Deepfakes

当磨练历程完成后，咱们不错将A生成的一个latent face传递给解码器B。如下图所示，解码器B将尝试从与A关连的信息中重构B。

如果蚁合依然很好地综合了东说念主脸的组成，那么潜在空间将示意面部颜料和办法。这意味着不错为B生成与A的颜料和办法探究的东说念主脸。

请看底下的动图。左边，UI艺术家Anisa Sanusi的脸被从一个视频中索要并对皆。右边，一个磨练好的神经蚁合正在重建游戏瞎想师Henry Hoffman的脸，以匹配Anisa的颜料。

赫然，Deepfakes背后的技艺并不受东说念主脸的截止。举例，它不错用来把苹果形成猕猴桃。

伏击的是，磨练中使用的两个主体要有尽可能多的雷同之处。这是为了确保分享编码器能够泛化易于传输的有兴味的特质。天然这项技艺对东说念主脸和生果都灵验，但不太可能将东说念主脸形成生果。

要是你的挂念中也有哥哥的身影，那就分享这篇著作，让更多的东说念主看到哥哥的视频吧。