预测未来另一半的样貌
不知道自己未来的老婆 or 老公长什么样？来，我们先用 AI 预测出一个。
单身多年的你，是否曾幻想另一半的模样？最近，有这样一个开源项目在深度学习社区火了起来——通过神经 络生成你另一半的相貌。想知道自己会和什么样的人在一起吗？已有 友尝试了生成效果。
项目地址：https://github.com/irfanICMLL/CoupleGenerator
自己介绍，这是一个自 2022 年便开源了的项目，当时使用的是 TensorFlow，不过最近项目代码改成了 PyTorch。
得到对象只需 8800 步训练
项目使用了一百多位新婚夫妇的结婚照片，图像是通过爬虫从上爬取下来的。
这些结婚照都有着统一的模板：喜庆而单一的红色背景，清晰的人脸和五官，对模型训练比较友好和方便。
训练样本之一。爬取：https://blog.csdn.net/qq_27879381/article/details/65015280#comments
在模型构建和训练上，项目采用了 VGG 作为骨架 络学习图像特征。VGG 是一种常见的神经 络架构，发布于 2022 年， 是 Karen Simonyan 和 Andrew Zisserman，该 络表明堆叠多个层是提升计算机视觉性能的关键因素。VGGNet 16 或 19 层，主要由小型的 3×3 卷积操作和 2×2 池化操作组成。
VGG 的优点在于，堆叠多个小的卷积核而不使用池化操作可以增加 络的表征深度，同时限制参数的数量。例如，通过堆叠 3 个 3×3 卷积层而不是使用单个的 7×7 层，可以克服一些限制。
首先，这样做组合了三个非线性函数，而不只是一个，使得决策函数更有判别力和表征能力。第二，参数量减少了 81%，而感受野不变。另外，小卷积核的使用也扮演了正则化器的角色，并提高了不同卷积核的有效性。
在生成结果的过程中，模型使用 pix2pix 的方式。Pix2pix 是一种基于 架构的风格转换模型， 论文《Image-to-Image Translation with Conditional Adversarial NetWorks》， 包括朱俊彦等，论文在 CVPR 2022 发表后，已有多种框架的实现。
Pix2pix 使用成对的图片数据，学习从一个图像到另一个图像的转换方式，并生成能够以假乱真的图像。
使用 pix2pix 实现不同风格和用途图像的互相转换。
在 Pix2pix 中，生成器采用 encoder-decoder 或 U-Net 的架构。
两种 Pix2pix 的生成器架构。
那么，应该怎么使用这个项目呢？
使用
在项目中， 提供了一些内容，包括：
CKPT 模型文件：https://cloudstor.aarnet.edu.au/plus/s/YHDWgez1g3RFc6oVGG 权重文件：https://github.com/machrisaa/tensorflow-vgg训练数据：https://cloudstor.aarnet.edu.au/plus/s/VWZJaWfbla3kFch
在使用的过程中，你需要 VGG 权重文件和训练数据，代码到运行环境中并运行 autotest.sh 文件。
效果
在训练 8800 步后，模型对给定的图片提供了生成结果，如下所示：
考虑到训练数据并不算多，生成图像的质量还有提高的空间。此外我们可以注意到，模型也学习了一些有趣的特征，比如右上角原始图像中有结婚证，则生成的图像中也保留了结婚证这一要素。
项目 介绍
这个项目的 是一位非常漂亮的姐，目前在澳大利亚阿德莱德大学攻读计算机科学博士学位，师从沈春华教授。
Yifan Liu。
Liu 同学本科和硕士就读于大学自动化科学与电气工程学院，曾 2022 年市优秀毕业生。在 2022 年 11 月进入阿德莱德大学攻读博士学位之前，她曾是微软亚研高级研究员、2022 年 ACM 杰出会员王井东教授的访问学生。
Liu 的主要研究方向是神经计算、识别等领域，包括图像语义分割等。在学术研究方面，2022 至 2022 年，她作为一作或其他 的多篇论文被 CVPR、ICCV、PAKDD、IEA/AIE、PACLING 等学术会议接收，有一些为 Oral 论文。
这是她的个人：https://irfanicmll.github.io/
实测效果怎么样
为了试一试项目的效果，我们也了项目的预训练权重（迭代 8800 次）以及 VGG16 的预训练权重。因为数据集非常小，我们先用项目中的数据试一试效果。如下所示我们用项目 datasets 目录下的图像做测试，其中左侧为两组输入图像，右侧为输出图像。从生成结果来看，不论性别，另一半的相貌总是能够被生成出来的，还进行了一点磨皮。
如果我们只给一张人像呢？现在看起来，模型的生成规则是输出输入图像中左侧的人像，如果只输入一张人像的效果可能会变差。为了验证这个想法，我们将上述两张图都截成一个单一人像并输入模型。正如所料，现在生成效果不太好。如下所示左侧为两组输入样本，右侧为输出效果。
如果数据不从测试数据集中呢？在默认输入规则为夫妻合照的情况下，我们再次进行了新的尝试。通过输入不在数据集中的夫妻人像样本，并检查模型的生成效果。如下图所示，左侧为输入图像，右侧为输出结果，生成的图像较难识别。夫妻图像 络搜索结果。
诚然，利用现有数据预测未来对象的相貌这种想法是很不错的，但是由于数据量太小，模型的泛化能力还没有达到应有的要求。总的来说，单身狗还不能光靠这个生成一张自己对象的照片。
项目 也表示，数据量比较少，效果也不太好，但是依然欢迎大家使用代码和数据进行进一步的训练，我们也会进一步 项目的进展。
以上就是与预测未来另一半的样貌相关内容，是关于卷积的分享。看完测另一半的相貌超准后，希望这对大家有所帮助！
