给小伙去掉墨镜、露出眼睛。没问题，分分钟搞定。
真的，这都不算难事儿。
加首饰、换发型、补全脸
其实，过去我们也介绍过一些类似的神经网络P图大师。
不过这次的AI修图师，还有一些新本领。
例如，对于色彩的掌握。
可以根据要求，改变眼球的颜色，轻松告别美瞳或者红眼。
还能改变发型。
甚至，给光头P上秀发，而且头发可以是不同颜色的混搭，直接生成一种挑染的风范~
不仅如此，这个AI还能按照需求，定制生成搭配的首饰。
耳坠啊什么的，全都不在话下。
当然，以上种种还都是小儿科。
这个AI能脑补的范围可不只是一点点，而是一大片。
即便你给它这样一张图片。
只要给出要求。
AI修图师也能很好的重建出来。
左边是脑补的结果，右边是真实的照片，对比一下，你会点赞的……
再展示一组。
甚至，只给一个带颜色的简笔画，AI修图师也能生成接近原照片的结果。
你看：
这是怎么做到的？
原理解读
其实这个最新出现的AI修图大师，来自韩国电子通信研究院（ETRI）。背后是一个名叫SC-FEGAN的模型，可以分为生成器、鉴别器两大部分。
输入一张不完整的图片，加上蒙版、线稿或者颜色信息，生成器就能推断出编辑后的照片。然后，鉴别器来判断这张照片是不是P得天衣无缝。
生成器基于英伟达推出的图像修复模型U-net，一共有16个卷积层，所有卷积层都使用3x3大小的门控卷积（gated convolution）。
除了输入和输出之外，所有卷积层之后都应用英伟达在2017年提出的局部响应归一化（LRN）。
生成器中还引入了各种损失训练，包括每像素损失、感知损失、风格损失、总方差损失以及通用的GAN损失函数。
鉴别器，使用的是伊利诺伊大学厄巴纳-香槟分校（UIUC）和Adobe研究团队在2018年提出SN-PatchGAN中的架构。
使用了3x3大小的卷积核并应用了梯度惩罚损失项，并没有将ReLu函数应用到GAN损失之中。
数据集
在这项研究中，训练使用的是香港中文大学汤晓鸥组收集的人脸数据集CelebA-HQ数据集。
在其中随机选择两组共29000张图像用于训练，1000张图像用于测试。
将图像统一调整为了512x512像素之后，通过自由蒙版和加州大学联合Adobe推出的面部图像生成算法GFC创建对应的草图和颜色数据。
创建颜色数据时，使用直方图均衡化来避免光反射和阴影造成的颜色污染。
然后，使用加州大学HED边沿检测器，来生成与用户输入相对应的草图数据，修改面部图像，然后平滑曲线，并擦除修改图像产生的细小边缘。
效果怎么样？
研究中，与伊利诺伊大学厄巴纳-香槟分校和Adobe研究团队的网络Deepfillv1进行了对比。
在对人物面部进行了大面积胡抹乱画之后，Deepfillv1虽然对整体进行了复原，但是各种涂抹痕迹，以及细节处理，都远远不及新提出的SC-FEGAN。
此外，与其他的研究相比，SC-FEGAN对数据的依赖并没有那么高。
哪怕是是输入一幅完全涂抹掉的图像，也能生成一些头发丝出来。
传送门
这篇论文，来自韩国电子通信研究院，作者是Youngjoo Jo和Jongyoul Park。
这项研究的模型代码，已经在GitHub上开源了，并且提供了带有图形界面的Demo，但需要下载安装。
如果你对这项研究感兴趣，请收好传送门：
SC-FEGAN: Face Editing Generative Adversarial Network with User’s Sketch and Colorhttps://arxiv.org/pdf/1902.06838.pdf
GitHub项目地址：https://github.com/JoYoungjoo/SC-FEGAN
