本文經AI新媒體量子位（公眾號ID:QbitAI）授權轉載，轉載請聯系出處。

現在，Adobe不想讓你用手P圖了——動動口就行。

只需要你說一句話，計算機就能P出你想要的效果。

例如，說出想要的發型，馬斯克就會立刻被剃頭：“Hi-top Fade（掃把頭），變！”

膚色、妝容也都能輕松改變，一句“face with/without makeup”就能上妝/卸妝：

△給霉霉上妝/卸妝

甚至還能直接改變人樣，給小李子變出胡子、金發后，變成特朗普！

除了人，動物、景物也能P。

輸入“cute cat”，就能讓圖中的貓變成“大眼萌貓”：

說一句“classic car”，它就能把你的車P成經典古老的車型，還能手動調復古程度：

簡直是手殘P圖玩家的福音。

沒錯，這是來自Adobe、希伯來大學、特拉維夫大學的新操作，只需要一句話，就能讓計算機“修”出你想要的圖片。

現在，項目已經開源。

當GAN遇上CLIP

這一神奇的操作，來自一種新算法：StyleCLIP。

沒錯，就是將目前最先進的GAN——StyleGAN，和OpenAI搞出來的CLIP模型結合到一起。

為何選擇這兩個模型？

其中，CLIP不能自己生成圖像，但具有很好的圖像分類效果。

它不僅可以理解輸入的詞語，還能將語義和圖像特征聯系起來。

也就是說，CLIP有著和人腦極為相似的工作方式，不僅能將CV和NLP從技術上打通，還給他們分配了專門的處理區域。

例如，一旦聽到“蜘蛛俠”三個字、或是看到蜘蛛俠的照片，CLIP的某個特殊區域就開始響應，甚至原本用來響應紅色和藍色的區域也會“躁動”。

而StyleGAN，雖然能實現照片級模擬，生成非常逼真的圖像：

但StyleGAN、StyleGAN2等一系列GAN模型，卻沒辦法獨立更改如面部外觀、形狀或表情等參數，只能像下面這樣，從整體、中等、微調等大方向去改變形象：

如果將CLIP和StyleGAN合成新模型，只需要一句文本信息，它就能幫你P出既逼真、又能控制細節的圖像來。

點點鼠標，就能調整效果

事實上，模型的效果也確實不錯，功能非常全面。

還自帶一個圖形界面窗口：用一句話說出需求后，用鼠標就能進行調節。

例如，一鍵將英國首相鮑里斯·約翰遜（Alexander Boris de Pfeffel Johnson）變成女人：

還能讓他愁眉不展、或是開口大笑：

不僅能記住一整個人的面部特征，并根據需要換臉、換頭發、換妝；還能應用在動物身上，甚至將老虎變成獅子：

當然，將普通的房子變成哥特式（gothic）建筑也行。

在單個NVIDIA GTX 1080Ti GPU上，進行全局預處理的時間是4個小時。預處理后，就能將不同的文本-圖像對應用在上面了。

至于訓練的時間，則需要跑10~12個小時，加上優化器后的推理時間是98秒。

那么，模型的穩定性如何？

即使背景人物不同，在用一句話P圖后，它們之間的相似度也能達到73%以上，最高能達到84%。

也就是說，模型改變特征的效果還是很穩定的。

當然，即使測試效果很好，網友們還是發現了一些圖片生成的bug。

例如，網友發現，長著胡子的男性，看起來要比沒有胡子的男性更生氣？

有網友在測試后表示，個別效果如“加深男性膚色”（tanned man）確實不夠好，需要進行數據清洗。

除此之外，也有網友建議作者嘗試進一步研究，如模型中的偏見性。

例如，試試“成功的男人/女人”、“罪犯”等形容詞，看看這個模型會生成什么。

作者介紹

一作Or Patashnik，來自特拉維夫大學（Tel-Aviv University），主要研究方向是計算機視覺。

共同一作吳宗澤（Zongze Wu），來自希伯來大學（Hebrew University of Jerusalem），主要研究方向是計算機視覺，包括GAN、圖像處理、圖像翻譯等。

三作Eli Shechtman，來自Adobe，研究方向是計算機視覺，包括視頻分析與合成、目標和動作識別、圖形視覺、圖像和視頻檢索等。

此外，來自特拉維夫大學的Daniel Cohen-Or、和希伯來大學的Dani Lischinski對這篇論文也有貢獻。

說不定，Adobe真會將“動口P圖”這一功能放進PS中呢。

項目地址：
https://github.com/orpatashnik/StyleCLIP

論文地址：
https://arxiv.org/abs/2103.17249