1
雷鋒網(wǎng)按：原文版權(quán)屬于CSDN《程序員》雜志原創(chuàng)，作者為魏秀參，發(fā)表于2016年7月刊。雷鋒網(wǎng)已獲原作者授權(quán)發(fā)布，如需轉(zhuǎn)載請聯(lián)系。
計算機(jī)視覺（Computer Vision，CV）是一門研究如何使機(jī)器“會看”的科學(xué)。1963年來自MIT的Larry Roberts發(fā)表了該領(lǐng)域第一篇博士論文《Machine Perception of Three-Dimensional Solids》，標(biāo)志著CV作為一門新興人工智能方向研究的開始。在發(fā)展了50多年后的今天，我們就來聊聊最近讓計算機(jī)視覺擁有“無中生有”能力的幾個有趣嘗試：
超分辨率重建；
圖像著色；
看圖說話；
人像復(fù)原；
圖像自動生成。
可以看出，這五個嘗試層層遞進(jìn)，難度和趣味程度也逐步提升。由于篇幅有限，本文在此只談視覺問題，不提太過具體的技術(shù)細(xì)節(jié)，若大家對某部分感興趣，以后再來單獨寫文章討論。
去年夏天，一款名為“waifu 2x”的島國應(yīng)用在動畫和計算機(jī)圖形學(xué)中著實火了一把。waifu 2x借助深度“卷積神經(jīng)網(wǎng)絡(luò)”(Convolutional Neural Network，CNN)技術(shù)，可以將圖像的分辨率提升2倍，同時還能對圖像進(jìn)行降噪。簡單來說，就是讓計算機(jī)“無中生有”地填充一些原圖中并沒有的像素，從而讓漫畫看起來更清晰真切。大家不妨看看圖1、圖2，真想童年時候看的就是如此高清的龍珠啊！
圖1 《龍珠》超分辨率重建效果。右側(cè)為原畫，左側(cè)為waifu 2x對同幀動畫超分辨率重建結(jié)果
圖2 waifu 2x超分辨率重建對比，上方為低分辨率且有噪聲的動畫圖像，左下為直接放大的結(jié)果，右下為waifu 2x去噪和超分辨率結(jié)果
不過需要指出的是，圖像超分辨率的研究始于2009年左右，只是得力于“深度學(xué)習(xí)”的發(fā)展，waifu 2x才可以做出更好的效果。在具體訓(xùn)練CNN時，輸入圖像為原分辨率，而對應(yīng)的超分辨率圖像則作為目標(biāo)，以此構(gòu)成訓(xùn)練的“圖像對”（Image Pair），經(jīng)過模型訓(xùn)練便可得到超分辨率重建模型。waifu 2x的深度網(wǎng)絡(luò)原型基于香港中文大學(xué)湯曉歐教授團(tuán)隊的成果（如圖3所示）。有趣的是，這一研究指出可以用傳統(tǒng)方法給予深度模型以定性的解釋。在圖3中，低分辨率圖像通過CNN的卷積（Convolution）和池化（Pooling）操作后可以得到抽象后的特征圖 （Feature Map）?；诘头直媛侍卣鲌D，同樣可以利用卷積和池化實現(xiàn)從低分辨率到高分辨率特征圖的非線性映射（Non-Linear Mapping）。最后的步驟則是利用高分辨率特征圖重建高分辨率圖像。實際上，這三個步驟與傳統(tǒng)超分辨率重建方法的三個過程是一致的。
圖3 超分辨率重建算法流程。從左至右依次為：低分辨率圖像（輸入）、經(jīng)過若干卷積和池化操作得到的低分辨率特征圖、低分辨率特征圖經(jīng)過非線性映射得到的高分辨率特征圖、高分辨率重建圖像（輸出）
顧名思義，圖像著色是將原本“沒有”顏色的黑白圖像進(jìn)行彩色填充。圖像著色同樣借助卷積神經(jīng)網(wǎng)絡(luò)，輸入為黑白和對應(yīng)彩色圖像的“圖像對”，但僅僅通過對比黑白像素和RGB像素來確定填充的顏色，效果欠佳。因為顏色填充的結(jié)果要符合我們的認(rèn)知習(xí)慣，比如，把一條“汪星人”的毛涂成鮮綠色就會讓人覺得很怪異。于是近期，早稻田大學(xué)發(fā)表在2016年計算機(jī)圖形學(xué)國際頂級會議SIGGRAPH上的一項工作就在原來深度模型的基礎(chǔ)上，加入了“分類網(wǎng)絡(luò)”來預(yù)先確定圖像中物體的類別，以此為“依據(jù)”再做以顏色填充。圖4就分別展示了模型結(jié)構(gòu)圖和顏色恢復(fù)示例，其恢復(fù)效果還是頗為逼真的。另外，此類工作還可用于黑白電影的顏色恢復(fù)，操作時只需簡單將視頻中逐幀拿來做著色即可。
圖4 圖像著色的深度學(xué)習(xí)網(wǎng)絡(luò)結(jié)構(gòu)和效果。輸入黑白圖像后即分為兩支，上側(cè)一支用于圖像著色，下側(cè)一支用于圖像分類。在圖中紅色部分（Fusion layer），兩支的深度特征信息進(jìn)行融合，由于包含了分類網(wǎng)絡(luò)特征，因此可以起到“用分類結(jié)果為依據(jù)輔助圖像著色”的效果
人們常說“圖文并茂”，文字是除圖像之外另一種描述世界的方式。近期，一項名為“Image Caption”的研究逐漸升溫起來，其主要目的是通過計算機(jī)視覺和機(jī)器學(xué)習(xí)的方法實現(xiàn)對一張圖像自動地生成人類自然語言的描述，即“看圖說話”。一般來講，在Image Caption中，CNN用來獲取圖像的特征，接著將圖像特征作為語言模型LSTM（RNN的一種）的輸入，整體作為一個End-to-End的結(jié)構(gòu)進(jìn)行聯(lián)合訓(xùn)練，最終輸出對圖像的語言描述（如圖5所示）。
圖5 Image Caption網(wǎng)絡(luò)結(jié)構(gòu)。圖像作為輸入，首先經(jīng)過微調(diào)后的多標(biāo)記（Multi-Label）分類網(wǎng)絡(luò)得到預(yù)測的類別標(biāo)簽，并以此連同圖像的深度特征作為下方語言模型LSTM的輸入，最終進(jìn)行聯(lián)合訓(xùn)練。下圖左一可完成Image Caption任務(wù)，左2為單個單詞圖像問答任務(wù)，右1為句子級別的圖像問答任務(wù)
就在六月初，荷蘭科學(xué)家在arXiv上發(fā)布了他們的最新研究成果——通過深度網(wǎng)絡(luò)對人臉輪廓圖進(jìn)行“復(fù)原”。如圖6所示，在模型訓(xùn)練階段，首先對真實的人臉圖像利用傳統(tǒng)的線下邊緣化方法獲得對應(yīng)人臉的輪廓圖，并以原圖和輪廓圖組成的“圖像對”作為深度網(wǎng)絡(luò)的輸入，進(jìn)行類似超分辨率重建的模型訓(xùn)練。在預(yù)測階段，輸入為人臉輪廓（左二Sketch），經(jīng)過卷積神經(jīng)網(wǎng)絡(luò)的層層抽象和后續(xù)的“還原”操作，可以逐步把相片般的人臉圖像復(fù)原出來（右一），與最左邊的人臉真實圖像對比，足夠以假亂真。在模型流程圖下還另外展示了一些人像復(fù)原的結(jié)果，左側(cè)一列為真實人像，中間列為畫家手工描繪的人臉輪廓圖，并以此作為網(wǎng)絡(luò)輸入進(jìn)行人像復(fù)原，最終得到右側(cè)一列的復(fù)原結(jié)果——目測以后刑偵警察再也不用苦練美術(shù)了。
圖6 人像復(fù)原算法流程及效果
回顧剛才的四個工作，其實它們的共同點是仍然需要依靠一些“素材”方可“無中生有”，例如“人像復(fù)原”還是需要一個輪廓畫才可以恢復(fù)人像。接下來的這個工作則可以做到由任意一條隨機(jī)向量生成一張逼近真實場景的圖像。
“無監(jiān)督學(xué)習(xí)”可謂是計算機(jī)視覺領(lǐng)域的圣杯。最近該方向的一項開創(chuàng)性工作是由Ian Goodfellow和Yoshua Bengio等提出的“生成對抗網(wǎng)絡(luò)”（Generative Adversarial Nets, GAN）。該工作的靈感來自博弈論中的零和博弈。在二元零和博弈中，兩位博弈方的利益之和為零或一個常數(shù)，即一方有所得，另一方必有所失。而GAN中的兩位博弈方分別由一個“判別式網(wǎng)絡(luò)”和一個“生成式網(wǎng)絡(luò)”充當(dāng)，如圖7所示。
圖7 生成式網(wǎng)絡(luò)和判別式網(wǎng)絡(luò)
其中，“判別式網(wǎng)絡(luò)”的輸入為圖像，其作用為判斷一張圖像是真實的，還是由計算機(jī)生成的像；“生成式網(wǎng)絡(luò)”的輸入為一條隨機(jī)向量，可以通過網(wǎng)絡(luò)“生成”一張合成圖像。這張合成圖像亦可作為“判別式網(wǎng)絡(luò)”的輸入，只是此時，在理想情況下應(yīng)能判斷出它是由計算機(jī)生成的。
接下來，GAN中的零和博弈就發(fā)生在“判別式網(wǎng)絡(luò)”和“生成式網(wǎng)絡(luò)”上：“生成式網(wǎng)絡(luò)”想方設(shè)法的讓自己生成的圖像逼近真實圖像，從而可以“騙過”“判別式網(wǎng)絡(luò)”；而“判別式網(wǎng)絡(luò)”也時刻提高警惕，防止“生成式網(wǎng)絡(luò)”蒙混過關(guān)……你來我往，如此迭代下去，頗有點“左右互搏”的意味。GAN整個過程的最終目標(biāo)是習(xí)得一個可以逼近真實數(shù)據(jù)分布的“生成式網(wǎng)絡(luò)”，從而掌握整體真實數(shù)據(jù)的分布情況，因此取名“生成對抗網(wǎng)絡(luò)”。需要強(qiáng)調(diào)的是，GAN不再像傳統(tǒng)的監(jiān)督式深度學(xué)習(xí)那樣需要海量帶有類別標(biāo)記的圖像，它不需任何圖像標(biāo)記即可訓(xùn)練，也就是進(jìn)行無監(jiān)督條件下的深度學(xué)習(xí)。2016年初，在GAN的基礎(chǔ)上，Indico Research和Facebook AI實驗室將GAN用深度卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行實現(xiàn)（稱作DCGAN，Deep Convolutional GAN），工作發(fā)表在國際表示學(xué)習(xí)重要會議ICLR 2016上，并在無監(jiān)督深度學(xué)習(xí)模型中取得了當(dāng)時最好的效果。圖8展示了一些由DCGAN生成的臥室圖像。
圖8 DCGAN生成的臥室圖像
更為有趣的是，DCGAN還可以像word2vec一樣支持圖像“語義”層面的加減（如圖9所示）。
圖9 DCGAN“語義加減”示意
另外，前些天“生成式計算機(jī)視覺”研究領(lǐng)域大牛UCLA的Song-Chun Zhu教授團(tuán)隊發(fā)布了他們基于生成式卷積網(wǎng)絡(luò)的最新工作STGConvNet：它不僅可以自動合成動態(tài)紋理，同時還可以合成聲音，可以說將無監(jiān)督計算機(jī)視覺又向前推進(jìn)了一大步。
如今借著“深度學(xué)習(xí)”的東風(fēng)，計算機(jī)視覺中絕大多數(shù)任務(wù)的性能表現(xiàn)都被“刷”上了新高，甚至連“人像復(fù)原”，“圖像生成”類似“無中生有”的奇談都可以較高質(zhì)量地實現(xiàn)，著實讓人激動不已。不過盡管如此，事實上距離所謂的顛覆人類的AI“奇點”還相當(dāng)遙遠(yuǎn)，并且可以預(yù)見，現(xiàn)階段甚至相當(dāng)長的一段時間內(nèi)，計算機(jī)視覺或人工智能還不可能做到真正意義上的“無中生有”——即擁有“自我意識”。
但是，也非常慶幸我們可以目睹并且經(jīng)歷這次計算機(jī)視覺乃至是整個人工智能的革命浪潮，相信今后還會有很多“無中生有”的奇跡發(fā)生。站在浪潮之巔，我興奮不已、徹夜難眠。
雷峰網(wǎng)原創(chuàng)文章，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見轉(zhuǎn)載須知。
