宮崎駿動畫里的新垣結(jié)衣見過沒？這個開源動漫生成器讓你的照片秒變手繪日漫
隨手拍張照片，順勢轉(zhuǎn)換為宮崎駿、新海誠等日漫大師的手繪風(fēng)格作品，這個專門生成動漫圖像的 GAN，實(shí)測很好用。
機(jī)器之心根據(jù)真實(shí)店鋪照片生成的效果圖，一度以為，這就是某個日漫番劇的截圖。
盡管最近 2019 年的圖靈獎頒給了計(jì)算機(jī)圖形學(xué)、頒給了皮克斯 3D 動畫，但很多人可能認(rèn)為二維動漫更有意思一些。像宮崎駿、新海誠這些大師手繪下的動漫，才有了靈魂，張張都能成為壁紙，而整個日漫也以二維為核心。
如果有模型能將真實(shí)畫面轉(zhuǎn)化為日漫風(fēng)格的手繪畫面，那一定非常炫酷。最近機(jī)器之心發(fā)現(xiàn)確實(shí)有這些模型，從 CartoonGAN 到 AnimeGAN 都能生成非常有意思的圖像。
這里有一個 TensorFlow 新項(xiàng)目，它實(shí)現(xiàn)了 AnimeGAN，并提供了預(yù)訓(xùn)練模型。也就是說，我們下載后可以直接試試生成效果。作為日漫風(fēng)格的愛好者，我們很快就試用了一下新項(xiàng)目。
項(xiàng)目地址：https://github.com/TachibanaYoshino/AnimeGAN
雖然原項(xiàng)目給出的優(yōu)秀示例很多都是街景，但我們發(fā)現(xiàn)各種場景也都還行，如下是我們試用的原圖與生成效果。看看第一張櫻花道生成效果，忽然有一種《千與千尋》的感覺。
如果只針對人物，轉(zhuǎn)換效果也是非常不錯的。我們嘗試將新垣結(jié)衣的照片輸入 AnimeGAN 模型，然后就有如下這種神奇的畫風(fēng)，感覺直接用到動漫里也沒什么問題了。
在原 GitHub 項(xiàng)目中，作者還給了非常多的示例，上面只是機(jī)器之心試用的結(jié)果，你也可以來用一用。
AnimeGAN
整個項(xiàng)目實(shí)現(xiàn)的是論文「AnimeGAN: a novel lightweight GAN for photo animation」中所提方法，作者在論文中分別將 AnimeGAN 與 CartoonGAN、ComixGAN 進(jìn)行對比。
從圖中可以看到，AnimeGAN 在細(xì)節(jié)方面的表現(xiàn)要優(yōu)于以上兩種方法，色彩相對而言更加自然，涂抹感也沒有那么強(qiáng)烈。最明顯的是第二行的效果圖，使用 AnimeGAN 生成的漫畫更加接近宮崎駿的畫風(fēng)。
方法簡介
對于這個項(xiàng)目的 AnimeGAN，如下所示為 AnimeGAN 所采用的生成器網(wǎng)絡(luò)與判別器網(wǎng)絡(luò)。看起來模型整體是比較常規(guī)地一個卷積神經(jīng)網(wǎng)絡(luò)，但它會采用實(shí)例歸一化以及新型的 LReLU 激活函數(shù)。
除了架構(gòu)細(xì)節(jié)上的更新外，作者還提出了以下三個新的損失函數(shù)：
- 灰度風(fēng)格（grayscale style）loss
- 灰度對抗（grayscale adversarial）loss
- 色彩重構(gòu)（color reconstruction）loss
這些損失函數(shù)能夠讓生成圖片的風(fēng)格更加接近于真實(shí)的漫畫風(fēng)格。
下表比較了 ACartoonGAN 與 AnimeGAN 的模型大小與推理速度。可以明顯看出，AnimeGAN 是個相對輕量級的 GAN，具有更少的參數(shù)量以及更快的推理速度。
總體來說，新提出來的 AnimeGAN 是一種輕量級的生成對抗模型，它采用了較少的模型參數(shù)，以及引入格拉姆矩陣（Gram matrix）來加強(qiáng)照片的風(fēng)格。研究者的方法需要采用一系列真實(shí)圖片與一系列動漫圖片做訓(xùn)練，且這些圖片并不需要成對匹配，這就表明訓(xùn)練數(shù)據(jù)非常容易獲得。
項(xiàng)目實(shí)測
我們在 Ubuntu 18.04 下對本項(xiàng)目進(jìn)行了測試，相關(guān)依賴環(huán)境如下：
- python 3.6.8
- tensorflow-gpu 1.8
- opencv
- tqdm
- numpy
- glob
- argparse
這些依賴項(xiàng)可以說都是 CV 中常用的擴(kuò)展庫，我們就不用費(fèi)盡心思去解決各種依賴環(huán)境沖突的問題了，這里給個好評。
以下是本項(xiàng)目的訓(xùn)練及測試詳細(xì)流程。我們首先將 AnimeGAN 項(xiàng)目克隆到本地，在 Jupyter notebook 中輸入：
- !git clone https://github.com/TachibanaYoshino/AnimeGAN
將工作目錄切換到 AnimeGAN：
- import os
- os.chdir('AnimeGAN')
- print(os.getcwd())
接下來下載項(xiàng)目作者提供的預(yù)訓(xùn)練模型，使用 vim download_staffs.sh 創(chuàng)建一個 Shell 文件，輸入如下命令：
- URL=https://github.com/TachibanaYoshino/AnimeGAN/releases/download/Haoyao-style_V1.0/Haoyao-style.zip
- ZIP_FILE=./checkpoint/Haoyao-style.zip
- TARGET_DIR=./checkpoint/saved_model
- mkdir -p ./checkpoint
- wget -N $URL -O $ZIP_FILE
- mkdir -p $TARGET_DIR
- unzip $ZIP_FILE -d $TARGET_DIR
- rm $ZIP_FILE
- DatesetURL=https://github.com/TachibanaYoshino/AnimeGAN/releases/download/dataset-1/dataset.zip
- ZIP_FILE=./dataset.zip
- TARGET_DIR=./dataset
- rm -rf dataset
- wget -N $DatesetURL -O $ZIP_FILE
- unzip $ZIP_FILE -d $TARGET_DIR
- rm $ZIP_FILE
- VGG_FILE=./vgg19_weight/vgg19.npy
- wget --load-cookies /tmp/cookies.txt "https://docs.google.com/uc?export=download&confirm=$(wget --quiet --save-cookies /tmp/cookies.txt --keep-session-cookies --no-check-certificate 'https://docs.google.com/uc?export=download&id=1U5HCRpZWAbDVLipNoF8t0ZHpwCRX7kdF' -O- | sed -rn 's/.*confirm=([0-9A-Za-z_]+).*/1n/p')&id=1U5HCRpZWAbDVLipNoF8t0ZHpwCRX7kdF" -O $VGG_FILE && rm -rf /tmp/cookies.txt
保存后退出，以上命令會將預(yù)訓(xùn)練的模型、vgg19 權(quán)重以及訓(xùn)練數(shù)據(jù)集下載并保存到其對應(yīng)目錄下。在 notebook 中運(yùn)行：
- !bash download_staffs.sh
至此即完成所有準(zhǔn)備工作，運(yùn)行如下代碼就可以對模型進(jìn)行訓(xùn)練了：
- !python main.py --phase train --dataset Hayao --epoch 101 --init_epoch 1
AnimeGAN 的訓(xùn)練過程如下圖所示：
當(dāng)進(jìn)行測試時，我們需要將用于測試的圖片保存到 dataset/test/real 目錄下，并運(yùn)行如下代碼：
- !python test.py --checkpoint_dir checkpoint/saved_model --test_dir dataset/test/real --style_name H
當(dāng)看到以上輸出說明程序已經(jīng)成功運(yùn)行完成，生成結(jié)果保存在 results 文件夾下。可以看到，在 P100 GPU 上生成一幅圖片需要大約 2.3 秒左右。
