你已經是一個成熟的AI了，用GitHub項目技術手段實現「穿越」……

• 2020 年 2 月 26 日
• 筆記

2020年才剛開始，就被各位網友稱之為末日之年。 「如果能穿越，我想重啟2020」 想必是大家本年度最大心愿。

那麼穿越是否真的存在？是否有實現穿越的可能呢？愛因斯坦說了，當年的研究狹義相對論，認為只要比光跑得快，那就有可能實現穿越。

不過暫且還只是理論

GitHub上有位大佬為了想要更清晰地看到過去，實現「穿越」，創造了一個給老照片修復的項目：DeOldify，其初衷也是是讓記憶不再模糊。 好歹也是穿越：過一過穿越癮也行。

GitHub地址：

https://github.com/jantic/DeOldify/blob/master/README.md

AI修復下的港星照片

「你我當年」運用主要是CNN、GAN等AI技術，即卷積神經網路和生成式對抗網路」，讓人想到美圖秀秀的一鍵磨皮，它們雖然都利用了卷積神經網路，但二者並不一樣。

美顏軟體中常見的磨皮功能是做減法，將照片去掉細節，做模糊處理。

常用的磨皮演算法包括均值模糊、高斯模糊、中值濾波等，它們的去噪效果好，但視覺效果差。

例如踩雷的林徽因

林徽因這麼「剛」一先生，卻被AI修復成了網紅臉。出塵的書卷氣沒有了，接地氣的網紅氣息撲面而來。 你我當年：是做加法，可以自動補充細節，即利用AI演算法替代影像中缺失或者損壞的數據。

AI修復的大小S照片在網上引起驚嘆

《羅馬假日》劇照

影像修復一般用「擴散」的方法來處理，這種方法將局部結構應用到其他部分。

或者用「示例」的方法，每一次構建缺失部分的一個像素點（塊）保持和周圍像素點的一致性。 但是當缺失部分很大時，這些方法會失效，因此就需要運用機器學習。由一個高階模型提供補充的資訊。

例如深度神經網路

深度神經網路使用監督影像分類，在監督影像分類中，每個影像都有一個特定的標籤，神經網路通過一連串的基本操作運算來學習影像到標籤之間的映射。

通過輸入學習大量的數據集（數百萬張帶有成千個的標籤的影像），神經網路可以實現準確的分類，實施一個判別式預訓練的神經網路來指導影像重建。 當然場主也找到了個笨辦法，人人都可實踐。 人臉修復的精髓就在於對人臉的把控，其中所用到的主要技術為1、人臉檢測2、人臉關鍵點檢測3、人臉對齊這三個預處理操作。

##使用方法：

（來源https://github.com/RiweiChen/FaceTools） 由於是調用在windows下的.exe二進位軟體，所以本工具僅限於在Windows下執行。 參照main.py中，指定需要預處理的影像文件夾、檢測到的人臉影像的保存文件夾、對齊後的影像人臉文件夾路徑等系列參數，調用test()函數即可。 使用實例：

（來源：https://github.com/RiweiChen/FaceTools）

if __name__ == "__main__" : ''' @param: 提供的參數：1，影像的文件名位置，2，需要保留的文件位置，3，影像的格式列表 ''' ImagePath=r'D:TestVal' #原始的影像路徑 savePathDetect=r'D:TestVal_detect'#保存中間檢測到的影像的路徑 savePathAligned=r'D:TestVal_aligned'#對齊後的人臉影像的保存路徑 test(ImagePath,savePathDetect,savePathAligned,tag_recover=True,savesize=[128,128])

其中，Tag_Recovery參數在人臉影像中人臉大小相差比較大的時候使用，如果人臉影像大小大致已經是摳出來的並且大小已經相同，就沒有必要在設置這個參數了。 Like this ：

• 打開ps，把所有的照片都調整成透明度50%以下。開始照片疊加。
• 疊加時注意疊加錨點，按照最不易被改變的錨點來疊加，即可完成。

最後，場主想說的是，人臉影像處理技術作為時下最新興的深度學習模型，也只是AI技術的九牛一毛。相信在不久的未來，AI能在更多場景帶給我們驚喜，甚至可以實現像人類一樣進行思考。

-END-

2080年，AI自我覺醒，程式猿工程獅們在一次程式異常後，發現了他們從沒見到的問題，而修復已經來不及。

在那一瞬間，歷史上第一個自我覺醒的AI開始瘋狂複製自己，人類開始面臨……