B站Up主自制禿頭生成器，圓你禿頭夢想可好？

歡迎關注“創事記”的微信訂閱號：sinachuangshiji　

文/CSDN

要說最近哪部劇最紅，我說是《隱祕的角落》沒人有意見吧？

看了這部片子，全國觀衆除了被男主張東昇提醒爬山有風險之外，片中的另一個場景也頗讓人印象深刻，容易讓人產生共鳴，那就是張東昇看到自己二十年後的樣子。

這華麗麗的地中海造型，感覺秦昊老師帥氣的臉吼起來也有點喫力了......作爲一名腦力勞動者，張東昇年紀輕輕就禿了頭。生活中，普通人在殘酷的現實中，由於壓力、焦慮問題，禿頭也絕對可以在困擾現當代中青年人的難題中名列前茅，尤其是對於熬夜是家常便飯的程序員小哥哥、小姐姐們。

這個難題是如此容易引發共鳴，以至於 B 站著名 Up 主 MarsLUL 也注意到了這點，並自制了一個禿頭生成器，想要一睹二十年後，或許用不了二十年後自己的髮型稍有變化的樣子，大可以動手試試。

首先，來看一下 MarsLUL 製作的禿頭生成器效果：

驚！除了髮型變了，怎麼還有點面目可憎的感覺呢？

效果還是挺神奇的。話不多說，還是那句話，我們更關心效果實現背後的技術原理。

MarsLUL 提到，該生成器的思路和代碼大部分來源於一篇 Medium 教程《Hairstyle Transfer — Semantic Editing GAN Latent Code》（https://medium.com/swlh/hairstyle-transfer-semantic-editing-gan-latent-code-b3a6ccf91e82）。

那我們就先來看看，這篇文裏提到的 Hairstyle Transfer 是怎麼實現的。簡單來說，這篇文章裏，作者探索了使用隱式空間（latent space），改變輸入圖像髮型的方法。

當然，這個項目也是基於 GAN。大家都知道，GAN 的基本原理是通過對抗訓練學習從潛在分佈到真實數據的非線性映射。

但問題是，通常隱式空間和語義屬性之間的關係是未知的。例如，隱式代碼如何確定生成的髮型，比如說劉海、顏色等。另外，很難判斷這些屬性之間彼此是否有關聯。

在這篇文章中，作者提出的關鍵方法是探索如何在經過訓練的 GAN 模型（例如 PG GAN 和StyleGAN）的隱式空間中編碼單個或多個髮型的語義。

他們借用了 InterFaceGAN 論文中提出的概念：對於任何二進制語義，在潛在空間中都存在一個超平面作爲分隔邊界。基於這個想法，他們設法通過線性變換來解碼屬性表示。

文中，作者對每個屬性使用線性超平面，將其法線向量作爲輸出面相對於目標屬性連續變化的方向。在 StyleGAN 空間中，他們找到了萊昂納多 · 迪卡普里奧年輕時的圖像隱代碼，繪製了與劉海超平面正交的方向，將隱代碼的位置沿該方向移動，創建男神不同劉海狀態圖片。

停！Stop！我不看！只要我暫停按得快，男神就永遠是我心中的男神......

類似地，MarsLUL 在視頻裏中也簡單介紹了禿頭生成器的製作方法。

他說到，市面上大部分生成器都是由GAN 的神經網絡來實現的，簡單來說，拿圖片生成來做例子，你可以理解成它有兩個互相對抗的部分，一部分生成圖片，一部分分辨圖片的真假，不斷訓練，一直訓練到辨別不出生成的圖片是真是假，目標也就實現了。

StyleGAN 就是一個用來生成圖片的 GAN 的實現，輸入一個隱式向量，它可以憑空生成一張人物照片。

具體怎麼實現的呢？

第一步，就是想辦法找到可以生成輸入照片的隱式向量，這可以通過訓練一個殘差網絡來實現。直接使用 StyleGAN-Encoder 將照片轉化成一個隱式向量，從而生成一個 StyleGAN 版本。這樣生成的圖像與源圖像會有細微的差別，但是八九不離十。

第二步，招待控制禿頂這個變量的方法，這裏用到的是訓練一個 SVM 二分器，以餵給 StyleGAN 的隱式向量爲輸入，以這個隱式向量生成的圖片是否禿頂爲輸出，訓練模型。找到這個二分器之後，只需要根據對應方向現行微調隱式向量，就可以控制生成圖片的禿頂程度了。使用名人圖片數據集 CelebA 作爲訓練數據，它已經很友好地將禿頂名人做好分類。經過 5 小時左右的訓練，模型終於訓練好了！

最後一步，拍一張帥帥的照片，生成對應的隱式向量，按對應方向移動就可以生成圖像了。

向生髮的方向移動，生成的視頻中頭髮開始旺盛生長：