随手拍张照片，顺势转换为宫崎骏、新海诚等日漫大师的手绘风格作品，这个专门生成动漫图像的 GAN，实测很好用。
尽管最近 2019 年的图灵奖颁给了计算机图形学、颁给了皮克斯 3D 动画，但很多人可能认为二维动漫更有意思一些。像宫崎骏、新海诚这些大师手绘下的动漫，才有了灵魂，张张都能成为壁纸，而整个日漫也以二维为核心。如果有模型能将真实画面转化为日漫风格的手绘画面，那一定非常炫酷。最近机器之心发现确实有这些模型，从 CartoonGAN 到 AnimeGAN 都能生成非常有意思的图像。这里有一个 TensorFlow 新项目，它实现了 AnimeGAN，并提供了预训练模型。也就是说，我们下载后可以直接试试生成效果。作为日漫风格的爱好者，我们很快就试用了一下新项目。项目地址：https://github.com/TachibanaYoshino/AnimeGAN虽然原项目给出的最佳示例很多都是街景，但我们发现各种场景也都还行，如下是我们试用的原图与生成效果。看看第一张樱花道生成效果，忽然有一种《千与千寻》的感觉。如果只针对人物，转换效果也是非常不错的。我们尝试将新垣结衣的照片输入 AnimeGAN 模型，然后就有如下这种神奇的画风，感觉直接用到动漫里也没什么问题了。在原 GitHub 项目中，作者还给了非常多的示例，上面只是机器之心试用的结果，你也可以来用一用。整个项目实现的是论文「AnimeGAN: a novel lightweight GAN for photo animation」中所提方法，作者在论文中分别将 AnimeGAN 与 CartoonGAN、ComixGAN 进行对比。从图中可以看到，AnimeGAN 在细节方面的表现要优于以上两种方法，色彩相对而言更加自然，涂抹感也没有那么强烈。最明显的是第二行的效果图，使用 AnimeGAN 生成的漫画更加接近宫崎骏的画风。对于这个项目的 AnimeGAN，如下所示为 AnimeGAN 所采用的生成器网络与判别器网络。看起来模型整体是比较常规地一个卷积神经网络，但它会采用实例归一化以及新型的 LReLU 激活函数。除了架构细节上的更新外，作者还提出了以下三个新的损失函数：
灰度风格（grayscale style）loss
灰度对抗（grayscale adversarial）loss
色彩重构（color reconstruction）loss
这些损失函数能够让生成图片的风格更加接近于真实的漫画风格。
下表比较了 ACartoonGAN 与 AnimeGAN 的模型大小与推理速度。可以明显看出，AnimeGAN 是个相对轻量级的 GAN，具有更少的参数量以及更快的推理速度。总体来说，新提出来的 AnimeGAN 是一种轻量级的生成对抗模型，它采用了较少的模型参数，以及引入格拉姆矩阵（Gram matrix）来加强照片的风格。研究者的方法需要采用一系列真实图片与一系列动漫图片做训练，且这些图片并不需要成对匹配，这就表明训练数据非常容易获得。我们在 Ubuntu 18.04 下对本项目进行了测试，相关依赖环境如下：python 3.6.8
tensorflow-gpu 1.8
opencv
tqdm
numpy
glob
argparse
这些依赖项可以说都是 CV 中常用的扩展库，我们就不用费尽心思去解决各种依赖环境冲突的问题了，这里给个好评。
以下是本项目的训练及测试详细流程。我们首先将 AnimeGAN 项目克隆到本地，在 Jupyter notebook 中输入：!git clone https://github.com/TachibanaYoshino/AnimeGAN
import os
os.chdir('AnimeGAN')
print(os.getcwd())
接下来下载项目作者提供的预训练模型，使用 vim download_staffs.sh 创建一个 Shell 文件，输入如下命令：URL=https://github.com/TachibanaYoshino/AnimeGAN/releases/download/Haoyao-style_V1.0/Haoyao-style.zip
ZIP_FILE=./checkpoint/Haoyao-style.zip
TARGET_DIR=./checkpoint/saved_model
mkdir -p ./checkpoint
wget -N $URL -O $ZIP_FILE
mkdir -p $TARGET_DIR
unzip $ZIP_FILE -d $TARGET_DIR
rm $ZIP_FILE
DatesetURL=https://github.com/TachibanaYoshino/AnimeGAN/releases/download/dataset-1/dataset.zip
ZIP_FILE=./dataset.zip
TARGET_DIR=./dataset
rm -rf dataset
wget -N $DatesetURL -O $ZIP_FILE
unzip $ZIP_FILE -d $TARGET_DIR
rm $ZIP_FILE
VGG_FILE=./vgg19_weight/vgg19.npy
wget --load-cookies /tmp/cookies.txt "https://docs.google.com/uc?export=download&confirm=$(wget --quiet --save-cookies /tmp/cookies.txt --keep-session-cookies --no-check-certificate 'https://docs.google.com/uc?export=download&id=1U5HCRpZWAbDVLipNoF8t0ZHpwCRX7kdF' -O- | sed -rn 's/.*confirm=([0-9A-Za-z_]+).*/\1\n/p')&id=1U5HCRpZWAbDVLipNoF8t0ZHpwCRX7kdF" -O $VGG_FILE && rm -rf /tmp/cookies.txt
保存后退出，以上命令会将预训练的模型、vgg19 权重以及训练数据集下载并保存到其对应目录下。在 notebook 中运行：至此即完成所有准备工作，运行如下代码就可以对模型进行训练了：!python main.py --phase train --dataset Hayao --epoch 101 --init_epoch 1
当进行测试时，我们需要将用于测试的图片保存到 dataset/test/real 目录下，并运行如下代码：!python test.py --checkpoint_dir checkpoint/saved_model --test_dir dataset/test/real --style_name H
当看到以上输出说明程序已经成功运行完成，生成结果保存在 results 文件夹下。可以看到，在 P100 GPU 上生成一幅图片需要大约 2.3 秒左右。整体而言，运行速度还是比较快的，这么好玩的项目，你不来试下吗？
后台回复”加群“获取公众号专属群聊入口
【精彩推荐】
>>> 字节跳动社招内推入口 <<<
>>> 字节跳动校招内推入口 <<<
朕已阅 
