昨天，李榮浩又因為眼睛小上熱搜了。

在名為 #特效都整不大李榮浩的眼睛# 的話題下面，有一個李榮浩楊丞琳二人結婚照的換臉視頻，只見換臉后的李榮浩眼睛完全變成了一條線，孫紅雷也轉發微博“五十步笑百步”：

這個特效太過分了，李先生，有人黑你！

對此，網友的評論清一色成了“哈哈哈哈哈”。

細心的人可能留意到了視頻里的抖音 APP logo。沒錯！上面這個對小眼睛群體不怎么友好的功能正是抖音新上線的「變身漫畫」特效。

而在這樣的真人一鍵變身漫畫的效果背后，是生成式對抗網絡 GAN（Generative Adversarial Networks）。 

一鍵打破次元壁

當前，抖音「變身漫畫」特效榮登熱門挑戰榜的“本周實時榜”（2002 年 6 月 15-21 日）TOP 1，已有約 867.2 萬用戶使用。

其中，不少明星拍了同款視頻，玩法也是五花八門。

比如陳赫拿出神似蒼蠅拍的“神秘鑰匙”解除二次元封印。

鄧紫棋擦玻璃換臉。

張藝興來一段 rap 的功夫已經不知道用手勢在次元之間穿梭了多少回了。

進入二次元后，明星們的發型、五官等細節“神還原”，同時還多了一絲俏皮靈動。

不過，把真人變成漫畫畫風并不稀奇了。近幾年特效拍照 APP 層出不窮，用戶想把圖片、視頻變成漫畫風、古風、手繪風、油畫風，甚至想換性別、變年齡，都不是問題。

生成式對抗網絡 GAN

提到換臉，就繞不開一項技術——生成式對抗網絡 GAN。 

雷鋒網(公眾號：雷鋒網)此前曾報道，GAN 作為一種深度學習模型，是機器學習中一個較新的概念，首次出現于 2014 年 10 月前谷歌大腦著名科學家 Ian Goodfellow 及其團隊發表的論文《對抗式生成網絡》（Generative Adversarial Networks）中。

機器學習的模型分為生成模型（Generative Model）和判別模型（Discriminative Model）兩種，顧名思義，其各自的功能分別是根據數據集生成和判斷。

而 Ian Goodfellow 之所以能成為“GANs 之父”，就在于創造性地提出了一個通過對抗（Adversarial）估計生成模型的概念，同時訓練生成模型和判別模型，讓二者進行對抗，生成模型要盡可能地生成真實的圖片去欺騙判別模型，與此同時判別模型也要盡量把生成模型生成的圖片和原數據集區分開。

這一過程就像游戲中的兩個玩家進行 battle，一開始兩臉懵逼，最后“真理越辯越明”。這種機器之間自發的相互學習，可以說是非常智能了。

而 GAN 的種類也不少，其中最常見的比如說 Cycle GAN。

實際上，CycleGAN 是人臉轉換早期的一個重要嘗試，能從源轉換到目標，也能進行反向轉換，從而便捷地學習了兩個類別之間的轉換關系，也更好地保證了轉換后的圖像品質。

如上圖所示，能把斑馬變成馬，那么即便是換個動作，馬也能再次轉換成斑馬；同理，夏天能變冬天，換了場景后冬天也可以變回夏天。

雖然上文所說的抖音動漫風換臉特效并未公開具體的技術信息，但此前將人臉變為漫畫形象的嘗試的確用到了 CycleGAN，相關論文也在 2019 年 7 月登上了預印本平臺 arXiv。

值得一提的是，這項研究利用的是所謂的 landmark assisted CycleGAN。

據論文介紹，這里的“landmark”不是我們經常說的“地標”，而是指面部特征，所以我們可以將這種技術理解為 CycleGAN 特別版——「有人臉特征輔助的 CycleGAN」。

技術如何，還是看看效果（雷鋒網注：右二列為 CycleGAN 生成；右一列由有人臉特征輔助的 CycleGAN 生成）。

現實中的美女變成了二次元小蘿莉。

型男生成的漫畫形象看上去也不錯。

此外，也有研究團隊曾基于 GAN，利用面部特征，將低分辨率圖像轉換為高分辨率圖像。感覺多年的老近視被治好了！

看到這里是不是想感嘆一句真神奇？

其實還有更神奇的，比如大變活人。

這是西班牙一家互聯網國際象棋棋盤制造商 REGIUM 網站上的員工個人信息頁面，看上去似乎并沒有什么異常。但實際上，框出來的四位工程師都是“假人”，現實生活中并不存在。

雷鋒網了解到，這些“人造人”來自國外一個造臉網站 this person does not exist.com，而這些照片也都是基于 GAN。

不過，隨著換臉技術出現的還有諸多問題——比如曾經一夜爆火、三天涼涼的 ZAO APP 和在全世界范圍內臭名昭著的 Deepfake，都引起了各界的擔憂。

怎樣合理地利用這類換臉技術，是個需要思考的問題。