近日，在Reddit上一位外国小哥发表了一篇文章，介绍自己使用StyleGAN2和FaceAligner在人脸之间无缝切换的项目，他使用了美国历届总统的图片作为演示，同时也在Github上开放了源码。
从华盛顿到特朗普，无缝切换一镜到底
作者完成的这个项目使用了StyleGAN2facealigner来生成美国历任的总统图片。StyleGAN2将生成一个细致的看起来真实的方形人脸图像，并使用优化算法探索潜在的空间，以便找到一个给定类型的现实生活中的例子的准确表示。
艾森豪威尔到肯尼迪的切换也是非常流畅和逼真，「发际线的变化也十分的感人」。
约翰亚当斯（-）当年的老画像到杰斐逊（-）的切换还原度也很高。
在这个项目中，作者还使用了一个面部对齐的python脚本，它有三点作用：
1)识别图像中的面部
2)将其剪切出来并居中
3)确保像眼睛这样的关键特征位于正确的xy值上
作者使用了从华盛顿到川普的所有美国总统来进行演示，在每个相邻总统之间都线性插值了次。
作者还表示这个项目是在GoogleColab中直接运行的，避免了很多Windows10中不易解决的兼容性问题。
为了StyleGAN2更容易在Colab中使用，作者还做了一些如下改进：
1）支持非正方形图像，如：x或x等。
2）支持垂直镜像增强。
3）支持自动从最新的pkl中继续训练。
4）只创建最大的tfrecord;，使用原始JPEG代替解码numpy数组，大大减少tfrecord创建时间和数据集大小。
这个项目主要的计算工作是在通过对总统图像的映射以获得隐状态。这会消耗大约10分钟/图，这个时间可以通过降低图像质量来压缩，但作者没有这么做。
在隐状态和生成图像之间进行插值并不需要太长的时间，生成张图像并将它们放在一个视频文件中总共需要花费20分钟。
StyleGan2--StyleGAN的升级版，解决了伪影问题
StyleGAN是目前最先进的高分辨率图像合成方法，已被证明可以在各种数据集上可靠地工作。除了逼真的人像，StyleGAN还可以用于生成其他动物，汽车甚至房间。
然而，StyleGAN并不完美，最明显的缺陷是生成的图像有时包含斑点似的伪影(artifacts)，而这一缺陷在StyleGAN2上也被完美解决了。
去年底，NVIDIA的研究人员发布了StyleGAN的升级版——StyleGAN2，重点修复artifacts问题，并进一步提高了生成图像的质量。
图：StyleGAN2生成的人脸图像
图：StyleGAN2生成的猫咪图像
主要改进包括：
生成的图像质量明显更好(FID分数更高、artifacts减少)
提出替代progressivegrowing的新方法，牙齿、眼睛等细节更完美
改善了Style-mixing
更平滑的插值(额外的正则化)
训练速度更快
(a)是原始的StyleGAN结构图，其中A表示从W学习的仿射变换，产生了一个style，(b)展示了原始StyleGAN架构的细节。
在这里，将AdaIN分解为先显式归一化再调制的模式，对每个特征图的均值和标准差进行操作。我们还注释了学习的权重(w)、偏差(b)和常量输入(c)，并重新绘制了灰色框，使每个框都激活一个style。激活函数(leakyReLU)总是在添加偏置后立即应用。
(c)对原始架构做了几处改动，包括在开始时删除了一些冗余操作，将b和B的添加移动到style的活动区域之外，并只调整每个featuremap的标准差。
(d)是修改后的架构，使我们能够用「demodulation」操作代替instancenormalization，我们将demodulation操作应用于与每个卷积层相关的权重。
重新设计后的StyleGAN2消除了伪影，同时保留了完全的可控性。
同时，StyleGAN2还使用了新方法替代Progressivegrowing，细节更完美。StyleGAN2使用了一个skipgenerator和一个残差鉴别器，切换到这种设置显著地改进了FID和PPL。
FaceAlignment
facealignment就是通过一定量的训练集（人脸图像和每个图像上相对应的多个landmarks）来得到一个模型，使得该模型再输入了一张任意姿态下的人脸照片后，能够对该照片中的关键点进行标记。
左侧是标注好的训练集，右侧是使用模型来对新的图片进行标注的结果。
演示的最后是从奥巴马到特朗普的转变：
有位外国网友对此的评论也很有意思：
作者的这个创意项目向我们展示了StyleGAN2的强大能力和facealignment无穷的潜力，styleGAN2是目前已知的最先进的高分辨率图像合成方法，可以在各种数据集上可靠的工作，除了人像以外，还可以生成房间物品，汽车，动物等各种逼真图像，未来还具有很大的应用空间和商业价值可供开发。
不知大家是否想体验下这个项目呢，快打开下面的链接尝试一下吧！
项目链接：