池源

還記得去年給大家介紹過的GANs嗎？是 Generative Adversarial Networks 的縮寫，即“生成式對抗網(wǎng)絡(luò)”，有點拗口。這是一種深度學(xué)習(xí) （deep learning） 的模型，如果大家記不清了，我來通俗解釋一下。GANs主要是由兩個CNN所組合而成的神經(jīng)網(wǎng)絡(luò)，其中有兩個組件，Generator與Discriminator。GAN就像是一個問答系統(tǒng)，是使用警察跟罪犯的關(guān)系作為類比。故事當(dāng)中，罪犯不斷制造假鈔來欺騙警察的眼睛，每被識破一次，就會重新調(diào)整制造假鈔的技術(shù)，久而久之，就有辦法生成欺騙警察法眼的能力。

在 GANs 里面，有兩個天天對著干的神經(jīng)網(wǎng)絡(luò)，一個努力生成逼真的假貨，一個努力鑒別假貨，通過不斷地學(xué)習(xí)和對抗，它們就能生成極其真實的假貨，非常奇妙?？傊?，GANs的出現(xiàn)那叫一個驚為天人。因為它可以無中生有，創(chuàng)造出世界上不存在，但又極為真實的人臉。

沒錯，上面這些臉全都是 GANs 生成的

GANs被運用到圖像增強領(lǐng)域，進而名聲大噪。因為它能實現(xiàn)一項我們以前不敢奢求的功能——去馬賽克。就拿2018年大火的軟件DeepCreamPy來說吧，它就是利用GANs來實現(xiàn)去碼的。

輕松去碼的這些AI軟件

這張圖片，用綠色畫筆涂上了碼。拿DeepCreamPy操作一番后，馬賽克神奇地消失了

這圖的解析度夠渣了吧，甚至可以直接數(shù)出它的解析度為16×16

經(jīng)過PULSE一處理，簡直不要太清晰，放大頭發(fā)部分看看細節(jié)，明明只有幾個像素格，它硬是還原成了絲縷分明的秀發(fā)

GANs效果大概是這樣，橫向?qū)Ρ纫幌拢Ч拇_不錯。但肯定會有機友要說：就這水平？確實，這張卡通圖片，去碼難度并不算高，能實現(xiàn)這樣的效果也不算啥。別急，時代在發(fā)展，技術(shù)在進步。上個月，杜克大學(xué)推出了一款圖像增強工具，又一次勾起了筆者燥熱的心。這款工具叫PULSE，不扯虛的，PULSE能實打?qū)嵉匕阎卮a圖，處理成高畫質(zhì)大圖。

一張低解析度圖

學(xué)習(xí)之后，找出相似度最高的，把對應(yīng)的高畫質(zhì)圖進行輸出

看了這些去碼作品，這真的不是魔法嗎？很久以前，我們要提高一張圖片的解析度，往往是利用插值法，在低解析度的圖片中填充像素。就比如PS的改變圖像大小，后來有了GANs，雖然也是填充像素，但憑借機器學(xué)習(xí)，填充的方法變得更高級，更像是AI在憑經(jīng)驗：“猜”。但總的來說，以上方法去碼效果有限。而杜克大學(xué)的PULSE思路就很巧妙了，它選擇反其道而行。

AI并不急著去填充低解析度圖片，而是把自己以前GANs出來的高畫質(zhì)圖，壓縮成低解析度和你給的圖片對比。如果你不理解的話，我們再打一個通俗的比方。物理考試中，有一道填空題，需要補全一個公式，你如果去推導(dǎo)E和C的關(guān)系，估計這輩子都填不出正確答案。

但是換種思路，在腦海中回憶背過的公式，其中含有E和C，且跟它長得像的……不就是愛因斯坦質(zhì)能方程嘛（質(zhì)能方程E=mc，E表示能量，m代表質(zhì)量，而c則表示光速，該方程主要用來解釋核變反應(yīng)中的質(zhì)量虧損和計算高能物理中粒子的能量）！明白了吧，直接推導(dǎo)就像是去碼演算法中的老方法，而從回憶中找相似，就類似于杜克大學(xué)的PULSE。

電影藝術(shù)也可以用上這種技術(shù)，哪里還需要花錢請演員，費勁地布景、表演、拍攝，直接做個粗糙的腳本，剩下交給AI

技術(shù)在進步而現(xiàn)實更殘酷

當(dāng)然，AI的實際能力也并非完美，牛氣沖天的PULSE剛公布沒多久，就被網(wǎng)友們發(fā)現(xiàn)了問題。有網(wǎng)友拿出身邊朋友的照片，手動壓縮了一番，然后把它放進PULSE里，輸出的結(jié)果，讓人始料未及，出來的這個面孔，雖然是張很真實的臉，但跟本尊大相徑庭。更坑爹的是，本尊本來是個黑人，卻被AI硬生生還原成了白人。緊接著，又有網(wǎng)友發(fā)現(xiàn)不僅是黑人，用亞洲面孔去測試，輸出的結(jié)果也會變成白人。

左為輸入圖，右為PULSE處理后的結(jié)果

由于圖庫沒有匹配，馬里奧的AI輸出簡直不忍目睹

AI這一搞果然引起軒然大波。很多人出來批評，認為AI存在偏見，或者圖片庫比對完全無法和顯示接軌，一時之間罵聲四起。其實，PULSE會出現(xiàn)這樣的結(jié)果，原因不難猜測。PULSE基于英偉達的 StyleGAN，而 StyleGAN 所使用的 FlickFaceHQ 資料集當(dāng)中大部分都是白人面孔。

它就像一個從小只見過白人的小朋友，當(dāng)然會以為全世界的人都是白人。與其說是偏見，倒不如講是認知局限。隨著演算法的精進，資料集日漸豐富，AI 的認知局限肯定會越來越少。除此之外，PULSE犯的錯誤還不止搞錯人種，網(wǎng)友們還拿卡通形象試了試，比如游戲 Wolfenstein 中的卡通像素臉。

PULSE并沒有把它變成卡通高畫質(zhì)大圖，而是用補真實人臉的方式，輸出了一張不倫不類的奇怪臉。Minecraft 當(dāng)中的像素角色，有同樣的遭遇，也就是說，現(xiàn)階段的AI補臉，雖然看起來像模像樣，但本質(zhì)上還是瞎補的，它根本無法還原圖片原本的細節(jié)。所以，如果是警察辦案，真的采用PULSE處理的照片來確定嫌犯，八成會抓錯人。AI還需要更聰明，才能應(yīng)對這個復(fù)雜的人類世界里千奇百怪的問題啊。