无论是为了在 Snapchat 滤镜中取乐,还是为了看电影,甚至是为了消除一些谜语,我们都有一个实用工具可以改变我们在照片中的年龄。 这通常是由熟练的艺术家使用 Photoshop 或类似工具编辑您的图片来完成的。最糟糕的是,在视频中,他们必须对每一帧进行这种手动编辑!想象一下为此需要的工作量。好吧,这既是解决方案也是解决这种情况的新问题...... 参考 ►阅读全文: ://www.louisbouchard.ai/disney-re-age/ ►Loss 等人,DisneyResearch,2022:FRAN, ://studios.disneyresearch.com/2022/11/30/production-ready-face-re-aging-for-visual-effects/ ►GAN 解释: ://youtu.be/ZnpZsiy_p2M ►山姆: ://yuval-alaluf.github.io/SAM/ ►Discord: ://www.louisbouchard.ai/learn-ai-together/ ►推特: ://twitter.com/Whats_AI ►我的时事通讯(每周向您的电子邮件解释一个新的 AI 应用程序!): ://www.louisbouchard.ai/newsletter/ https https https https https https https 视频成绩单 0:02 [音乐] 0:06 是否是为了一个有趣的 Snapchat 过滤器 0:08 看电影甚至删除一些 0:11 我们都有一个实用的谜语 0:13 因为能够改变我们的年龄 0:15 图片这通常由熟练的人完成 0:18 使用 Photoshop 或类似软件的艺术家 0:20 最差编辑照片的工具 0:23 他们必须做这种视频 0:24 仅对每一帧进行手动编辑 0:27 想象一下需要的工作量 0:29 那么这既是一个解决方案又是一个 0:32 这种情况迪斯尼的新问题 0:35 最近的出版物 Fran 可以做到这一点 0:38 自动这对 0:41 电影业让你瞬间 0:43 为整部电影让某人重新变老 0:46 演员很少,但这是个问题 0:48 对于艺术家,因为它同时切割 0:51 一些工作机会并帮助他们削减 0:53 需要专注于漫长而乏味的工作时间 0:56 人才相关的任务这里很酷 0:58 是他们创建了一个基于前端的工具 1:01 供艺术家使用和编辑结果 1:03 使他们的工作更有效率 1:05 专注于改进细节而不是 1:08 比单调的复制粘贴编辑 1:10 一帧接一帧我很想听 1:13 你在评论中对此的想法 1:15 在下方或在我们的 Discord 社区聊天 1:17 一起学习人工智能,但为了这个视频 1:20 让我们再次关注纯粹 1:22 这项工作的积极方面 1:24 他们取得的科学进步 1:26 视频中人脸的数字再老化 1:29 你已经看到了这个的结果 1:31 新的 Fran 算法,我相信你可以 1:33 已经同意这些有多神奇 1:35 结果只看多了多少 1:38 与其他相比看起来很逼真 1:40 最先进的再生方法 1:42 包含许多工件并且无法保留 1:44 此人的身份相同加上 1:47 朋友的方法不需要 1:49 将这些面孔居中 1:51 方法使它变得更加 1:53 令人印象深刻,更令人难以置信 1:55 他们的方法首先是多么简单 1:58 弗兰不出所料代表面子 2:01 再老化网络这意味着 2:04 模型能够拍脸并改变 2:06 这个人看起来多大了 2:08 一致性现实主义和高分辨率 2:11 跨变量表达式的结果 2:13 的观点和照明条件 2:16 电影演员的年龄外貌是 2:19 通常由制作组更改 2:20 使用专用服装发型等 2:23 描绘目标年龄 2:26 脸留给数字艺术家编辑 2:29 逐帧,这是弗兰来的地方 2:32 严格关注皮肤区域 2:35 他们也关注成人年龄的脸 2:38 因为电影已经有效率和 2:40 非常年轻的不同技术 2:42 重新老化为他们的整个身体和面部 2:44 形状不同,体积更小 2:47 那些案件,但他们怎么能面对 2:49 从任何位置,只需改变它 2:52 添加或删除几十个外观 2:54 岁月主要是因为他们没有地面 2:56 这项任务的真相意味着他们 2:59 无法训练算法来复制 3:01 自从他们之前和之后的照片 3:03 没有他们 很少有例子存在 3:05 同一个人有 20 年或更长时间 3:08 除了在每个角度他们需要有一个 3:10 不同的方法和常规 3:12 监督学习方法 3:14 尝试复制你的例子 3:16 已经在你的数据集中 3:18 通常研究人员会解决这个问题 3:20 使用训练有素的强大模型的问题 3:22 虽然生成了所有年龄段的假面孔 3:25 结果令人印象深刻 3:27 主要工作在居中和正面 3:29 人脸由于假的训练数据 3:32 为它生成的面孔因此结果 3:35 很难推广到现实世界 3:38 场景,因为他们并没有真正保留 3:40 人的身份,因为它不是 3:42 使用同一个人训练 3:44 不同的时间段,但只是一个 3:46 各种各样的不同的人 3:48 年龄和这样的静态模型很难 3:52 由于产生逼真的面部动作 3:54 对其静态图像的训练 3:57 不知道现实世界的力学 3:58 灯光变化等 4:01 他们的第一个贡献是解决 4:03 图像数量上的差距 4:05 同一个人在不同的年龄 4:08 这里的目标是做同样的事情 4:10 以前的方法,但有一个小 4:12 调整他们仍将使用生成的 4:15 假脸,但会建立一个数据集 4:18 充满了不同的相同面孔 4:20 边缘所以基本上是同一个人 4:23 相同的背景和相同的一切 4:25 除了拥有算法的年龄 4:27 严格专注于面部 4:29 不同年龄段的人认为即使 4:32 这些方法并没有真正 4:33 在他们的现实世界中很好地概括并且 4:36 在视频场景中他们仍然理解 4:38 老化过程真的很好,所以他们 4:40 可以使用它们来生成更多图像 4:43 同一个人在不同年龄 4:45 构建更好数据集的第一步 4:48 这一步是使用一个名为 4:50 可以拍一个人脸的总和 4:53 完全居中并作为试剂 4:56 只会用于构建我们的集合 4:57 要使用的前后图片 4:59 用于训练他们的粉丝一个算法 5:02 这一步是必要的,因为我们的算法 5:04 太愚蠢了,无法从少数人中概括 5:07 我们人类所做的例子,我们不能 5:10 获得几乎与真实照片一样多的照片 5:12 相同灯光下的脸 相同 5:15 背景和相同的衣服 5:17 不同年龄一定是人为的 5:19 产生了他们的第二个贡献是 5:22 他们使用这组新图像 5:24 创建并训练和算法能够 5:27 在现实世界中复制这个过程 5:30 场景连贯性好 5:32 跨视频帧他们的算法 5:35 构建实际上非常简单 5:37 类似于大多数图像到图像 5:39 你会发现翻译算法 5:41 他们使用一个 unet 架构,它需要 5:44 输入和输出年龄和图像 5:48 学习将其转化为最佳方法 5:50 通过将新图像编码成最 5:53 有意义的空间可能和解码 5:55 它变成了新形象所以网络 5:58 学会拍摄任何图像并将其放入 6:00 我们称之为潜在空间的东西 6:03 让我们的编码这个潜在空间 6:06 基本上包含所有必要的 6:08 网络为其学习的信息 6:10 具体任务所以基本上 6:12 面部的不同特征 6:14 特定的个人,但不 6:16 包含有关图像的信息 6:18 背景或其他不属于的特征 6:20 需要重新老化然后它需要这个 6:23 预测某种信息的信息 6:25 再老化面膜这个面膜只会 6:27 包含需要编辑的部分 6:29 在图片中用于重新老化效果 6:31 使任务更易于管理 6:34 比预测整个图像一次 6:36 再次,我们简单地合并这个预测 6:39 掩码到我们的初始图像以获得 6:41 再老脸这个面膜是主打 6:43 他们的方法如此之多的原因 6:45 更善于维护人的 6:47 身份,因为他们限制了他们的 6:49 网络对再生的作用域 6:51 仅修改而非全部 6:54 图像甚至整张脸,当你 6:56 不能让它更聪明只是让 6:59 更具体地说,模式娃娃是 7:01 按照枪法训练 7:03 意味着正如我们在许多视频中所介绍的那样 7:05 将使用您在此处看到的另一个模型 7:08 在右边称为鉴别器 7:10 同时训练并习惯于 7:12 计算生成的re-age图像是否 7:15 类似于我们的 7:17 训练数据集基本上对其进行评级 7:20 指导培训的结果和 7:22 瞧,这就是弗兰如何帮助你重新变老 7:25 你的脸在 18 到 85 之间的任何地方 7:28 岁当然这只是一个 7:30 这个新迪士尼的简单概述 7:32 研究出版物,我会推荐 7:34 阅读他们的优秀论文以获得更多信息 7:36 信息和结果分析,如果你 7:39 我建议不熟悉枪支 7:40 观看简短的介绍视频我 7:43 关于他们谢谢你的观看 7:45 下次见 7:47 另一篇惊人的论文 7:48 [音乐] 7:59 谢谢你 [音乐]