大热的抖音“变身漫画”滤镜，背后用了什么黑科技？

最近，抖音推出了一款动漫特效滤镜“变身漫画”，能够让用户在直播中，把自己的现实形象瞬间转变为二次元“画风”。对于动漫二次元爱好者来说，“打破次元壁，变身纸片人”这种自娱自乐方式可谓久玩不腻，在此之前，各种美颜修图和视频直播类app也都纷纷开发了类似功能，但没有一个能够让用户拥有“二次元分身”。那么，这种能够“动起来”的二次元滤镜，背后隐藏什么黑科技呢？

著名电竞选手PDD秒变二次元美少年，观众纷纷表示：“裂开了”

从计算机视觉制作的角度讲，把一张图片与另一张的视觉要素相混合，称为风格迁移（style transfer）。

把日本著名浮世绘作品《神奈川冲浪里》迁移到一匹骏马皮肤表面的效果 | www.theverge.com

一张照片的风格迁移，可以由人工操作，利用视觉编辑软件完成。当然，像抖音这样在全球拥有上亿用户的短视频社交平台，同时要应对如此多用户的视觉滤镜呈现，就需要人工智能算法加持，尤其是“卷积神经网络”（Convolutional Neural Network, CNN）。

今天， “深度学习”之所以是个热门概念，都可以追溯到卷积神经网络在2012年的横空出世。不要被这个高大上的名词吓到，它的原理其实也不复杂，用小学数学就可以解释：在AI眼里，任何图片都是像素构成的矩阵（左），卷积核（kernal）是另一个小矩阵（中），它们叠加在一起，对应位置的数值相乘再求和，得到“特征映射”（右）。

卷积核一般都不大，有的5x5，有的3x3，好比工兵的地雷探测器，去探测图片里存在的模式。信息逐级加工，最终得到一个分类识别的结果。

今天的AI，要想识别视觉形象，必须首先教它“学会”特征提取 | www.cnblogs.com

提醒大家，千万不要以为现在人工智能就是科幻电影里的超级电脑，全知全能。其实它现在的“认知能力”非常弱，几乎只等于0到4岁的儿童。如上图所示，科学家们如果想要人工智能识别一些基础物体，比如人脸、汽车、动物，和椅子，那么首先就要把这些物体的特征“提取”出来，也就是上图第二行图中那些五官、车轮、象鼻、椅背什么的，交给人工智能去“记忆”。然而可怜的人工智能“智商捉急”，只能再把这些特征进一步简化为第三行图中的简单形状符号，加以“死记硬背” 。而人工智能领域的科学家，就必须像耐心的父母教育小朋友那样，不断调整，优化这些最基础的形状符号，把它们变成机器能够理解的“卷积核参数”。

卷积核里的数字决定了它能探测到什么样的特征，或者是轮廓，或者是形状，也可能是纹理，而“风格”就是各式特征的组合。这些负责判断不同图形特征的卷积核分层排列在一起，就成了卷积神经网络。

ImageNet成立后，每年还会组织一次全球视觉识别挑战赛（ILSVRC），鼓励全球科研团队拿出自己的 AI图像识别算法进行PK | www.medium.com

小朋友识别物体，最好的办法就是与周边环境多接触，或者看绘本画册。对于AI这个小朋友来说，它看的绘本，是ImageNet：一个具有1000类、数千万张图片的超大型数据集。卷积神经网络就像一个笨笨的小朋友，成天在ImageNet里面玩着“看图识物”的训练游戏，久而久之，它逐渐具备了相当的特征提取能力。

要让人工智能实现对大批量的实时图像进行批量风格迁移，就好比让这个笨笨的小朋友先浏览一大堆物品的形状和颜色，然后再训练他提取不同的特征，最后形成图像。好比说，如果要让孩子画一张“紫色大象“的图片，父母就必须给孩子出示两张照片，一张是非洲草原能上的大象，一张是紫色色卡。

那么，AI这位小朋友就开始了作画（计算），首先把这两张照片传送到同一个神经网络，加以合成，要求这张新画作上图像的外形尽量与大象接近，颜色尽量靠近紫色，那么AI经过反复的内容与风格特征提取，最终可能会达到一个满意的效果

那么AI有没有可能像部分聪明的小朋友那样，不用科学家（父母）的指导，而开始自学呢? 科学家们想出来一个点子：对抗网络（Generative Adversarial Network），由两套独立的人工智能网络构成，分别是生成网络（G）与判别网络（D）。生成网络就是那个画画的笨孩子，判别网络就像是个严格的美术老师，负责给孩子的作品打分。

对抗网络图像识别与鉴定流程图 | https://www.kdnuggets.com

判别网络的任务很简单，就是区分真假。何为真？自然拍摄的图片就是真，而人工合成的图片称为“假”。生成网络G会产生一批假数据，对判别网络进行训练，刚开始的假数据很粗糙，肯定通不过，所以判别网络只需要很初步的识别能力就可以鉴定，这是一个“菜鸡互啄”的阶段。

D有了进步，G也要迎头赶上，再对生成网络进行训练，目标是生成更加拟真的数据，骗过当前的判别网络。这些新的数据又用来训练判别网络，自己生产，自己消化，如此循环，左右互搏。

在这个不断博弈的过程中，两个网络的能力都得到了提升。如同武侠小说里的“梯云纵”，左脚踩右脚，右脚踩左脚，武功高强的大侠就能飞檐走壁。训练完成之后，判别网络作为“工具人”就可以暂时领便当休息了，留下生成网络（G），用以产生图像。

现在，AI这个画画的小朋友能够不用指导，自己根据图像进行临摹了，然后还自学了填色（风格迁移）。不过这个时候，严格的美术老师判别网络D又要登场了。这次不仅要鉴别图像是否为真，还要看在填色（风格迁移）的过程中，有没有出现其他偏差。

如图所示，大部分现实物体中，能够形成对应关系的并不多，所以需要两个生成网络各司其职，相互检验制约 |  https://mc.ai

当然，现实生活中能够形成严格对应关系的物体并不多。为了确保精度，AI工程师会同时引入两套生成网络。比如我们要把一匹马的照片变成斑马，但很明显，现实中你可以找到两只除了颜色外，一模一样的鞋子，但不可能存在两匹体型和五官特征完全相似的马与斑马，所以就需要两个生成网络各司其职。生成网络A完成从马到斑马的转换，另一个生成网络B负责从斑马转换到马。这样在优化过程中，双方能够互相检验与制约，这就是近年来应用场景不断增多的深度学习算法CycleGAN。

有了CycleGAN算法，我们就像有了仙女棒，随意变老变小变漂亮 | https://mc.ai

这套算法，就是隐藏在现在市场上大多数美图软件滤镜后的幕后功臣，什么“LOMO风格”，“甜美日系”，“黑白简笔”，“美白磨皮”，都可以让用户轻松一键搞定，完成瞬间“变身”。

美图秀秀的各种滤镜，相信大家已经用得驾轻就熟 | www.show.meitu.com

Landmark Assisted CycleGAN生成的卡通形象，最左为真人形象，最右为最终输出结果 | www.medium.com

不过，要把自己的视觉形象在抖音里转化为相似的二次元纸片人，还有最后一个门槛，因为次元壁并不是那么好打破的，真实人脸和卡通人脸之间的结构差别太大，很难捕捉面部基本特征。所以，专家们设计出了一个优秀的助手Landmark Assisted CycleGAN，来帮助AI，让这个笨笨的小朋友能根据真实用户人脸“画”出相应的卡通形象。简单来说，它的训练机制就是，每当CycleGAN提供一张人脸图像，它就先对脸部关键点进行标记，然后再根据这些标记点生成最初的卡通形象，并把这些标记输入判别网络。然后，启动两个CycleGAN中两个图像生成网络，让卡通形象和人脸形象之间不断地相互进行识别，反映到屏幕上，就是你看到了一个和自己酷似，惟妙惟肖的二次元纸片人。

 更重要的是，这些二次元形象，还必须跟随着视频中的真人形象“动起来”，这就涉及到巨量的运算。成千上万的用户同时使用滤镜，就会形成海量的运算数据，如果单纯依靠云端计算，分析这些视频数据，再想办法为每个用户量身定制，画出二次元形象，那么很可能造成卡顿，进而会影响用户的体验感。为了避免卡顿，这些经过训练之后的面部识别模型，会随着软件更新，“下发”到每个用户的手机上，把每个抖音用户手机里的CPU和GPU运算力也“动员”起来，进行实时的推理（inference）计算。根据抖音技术团队透露，“变身漫画”滤镜启用了字节跳动自研的推理引擎ByteNN，高效利用了移动端的计算能力，使AI算法快速落地到每一台用户的移动设备。这就好比一个工厂自身生产能力不足，把一部分加工程序，连同加工设备，外包给千千万万个工厂外的家庭小作坊一样。

日本Botsnew VR公司推出的一款以龙珠为主题的VR眼镜，利用AI图像识别推理机制，自己在游戏中能够变身龙珠风格的动漫角色，身边的NPC角色能够和自己同步行动，比如发出著名的龟派气功波 |http://www.poppur.com 

能够自行根据模板进行创造的AI图像生成技术，未来可能为我们开辟许多不可思议的电子互动娱乐场景与模式。想想看，戴上拥有这项功能的VR/AR设备随手一挥，画廊中莫奈的名画变成了摇曳生姿的实景AR景观，动动手指，屏幕上的电影或二次元动漫角色就打破次元壁来到你身边——自己和儿时的偶像，“龙珠”中的小悟空并肩战斗，在VR场景中一起发出龟派气功波，有多么热血！

一个如梦似幻，打破了次元壁的世界，你期待吗？

作者：王司图

编辑：朱步冲

本文来自果壳，未经授权不得转载.

如有需要请联系sns@guokr.com