2021 有趣AI算法简介
本文面向图像处理方向，结构为列举算法、以及其原理、训练所需要的数据、训练注意点，是对当前热门AI算法的一个介绍，暂不包含手把手教程。
其中开发者如果想定制某个算法，可以通过定制算法、训练需要输入数据，来调整自己的模型。非AI开发者可以使用他人已有的模型，图像化的方式直接应用这些AI 算法。
文章目录
- 形象替换
-
- 应用
- 算法举例
- 算法大概原理
-
- 人类思维映射
- 超分辨率重建
-
- 应用
- 算法举例
- 算法大概原理
-
- 人类思维映射
- 训练需要的输入数据
-
- 注意点
- AI 声音模仿
-
- 应用
- 算法举例
- 算法大概原理
-
- 人类思维映射
- 训练需要的输入数据
- 图像消除
-
- 应用
- 算法举例
- 算法大概原理
-
- 人类思维映射
- 训练需要的输入数据
-
- 注意点
- 去马赛克
-
- 应用
- 算法举例
- 算法大概原理
-
- 人类思维映射
- 训练需要的输入数据
-
- 注意点
- AR、深度估计（单目深度估计）
-
- 应用
- 算法举例
- 算法大概原理
-
- 人类思维映射
- 训练需要的输入数据
-
- 注意点
- 历史重放
-
- 应用
- 算法举例
- 算法大概原理
-
- 人类思维映射
- 训练需要的输入数据
- 人脸替换、编辑
-
- 应用
- 算法举例
- 算法大概原理
-
- 人类思维映射
- 训练需要的输入数据
-
- 注意点
- 实时肖像演讲（LSP）
-
- 应用
- 算法举例
- 算法大概原理
-
- 人类思维映射
- 训练需要的输入数据
-
- 注意点
- 文字脑补图片、视频
-
- 应用
- 算法举例
- 算法大概原理
-
- 人类思维映射
- 训练需要的输入数据
- 噩梦AI（强化学习）
-
- 应用
- 算法举例
- 算法大概原理
-
- 人类思维映射
- 训练需要的输入数据
-
- 注意点
- 总结
形象替换
应用
- 直播中自己的动作、表情，映射到虚拟的2D、3D的卡通人物中
- 动漫制作，不再需要制作每一帧，而是直接由演员演绎，算法把演绎录像转为动漫人物形象
- 特朗普宅舞
算法举例
- 人脸关键点检测
- 人体姿态估计
- 手势姿态估计
- Impersonator++
- GANsNRoses
算法大概原理
多种AI算法结合
人类思维映射
看到蔡徐坤在打篮球，想象出班主任模仿蔡徐坤打篮球的画面
超分辨率重建
将图片分辨率变得更高
应用
- 修复一些老的低分辨率的视频，动漫，电影等，回味经典
- 高清电视，人脸识别，医疗图像，卫星图像等
算法举例
- 早期是插值法，但效果太平滑（边界不够锐化）目前普遍是基于CNN / GAN的
- SRCNN、DRCN、ESPCN、SRResNet/SRGAN、SelfExSR
算法大概原理
人类思维映射
看到一只蚂蚁，脑部蚂蚁变大100倍占领地球
训练需要的输入数据
高清图片/视频以及降分辨率处理后的数据
注意点
可以直接用高清视频降分辨率喂入
AI 声音模仿
【自行脑部声音 - -】
应用
5s模仿任意一个人的声音，并可以合成这个人说任何词语句子，如高德地图、百度地图中的语音包。
算法举例
- MockingBird https://github.com/babysor/MockingBird3
- 基于 Transfer Learning from Speaker Verification to Multispeaker Text-To-Speech Synthesis
算法大概原理
算法分为三个模块：encoder模块、systhesis模块、vocoder模块。
- encoder模块将说话人的声音转换成人声的数字编码（speaker embedding）
- synthesis 模块将文本转换成梅尔频谱（mel-spectrogram）
- vocoder模块将梅尔频谱（mel-spectrogram）转换成（波形）waveform
人类思维映射
- A说了一句话，B耳朵听到了，B的大脑把声音理解为某种信号/数据，B的喉咙将这些数据回放输出为声音
- 鹦鹉学舌
训练需要的输入数据
不同人说不同话的声音以及对应文本（得到模型）
图像消除
添加链接描述
去掉前景、恢复背景，与该算法相对的是抠图算法（去背景，留前景）
应用
- 照片中去掉某个人，景区拍照去掉挡住景色的人，海滩去掉所有人
- 去掉墙上的乱写乱画
- 实现电影中的隐身术，如恐怖的没人荡秋千，无人粉笔写黑板等
- 去掉纹身
- 自动抠图
算法举例
- Animal Matting
- MODNet 背景替换
- SkinDeep
算法大概原理
先得到三分图
三分图中黑色一定是背景，白色一定是前景，灰色是不确定，通过神经网络训练得到参数尽量减少灰色部分的误差
人类思维映射
- 仅仅见到长城上站满人的图片，脑部没人时候的场面
训练需要的输入数据
无数张（背景图片，这个背景下有人物的图片）
注意点
得到模型后，使用时输入背景图片，和待抠图图片，得到前景图片
去马赛克
应用
- 去掉照片、视频里的马赛克、去纹身
算法举例
- Depix
- Google Brain
算法大概原理
一是“调节网络”（conditioning network）：将低清图像与数据库里的高清图像进行对比——快速地将高清图像分辨率降低，并根据像素颜色匹配出相似图像。
二是“优先网络”（prior network）：它就会做出哪些细节可以应用到高清图像中的猜想，使用PixelCNN(像素神经网络)向8*8的源图像中增加真实的高清细节，例如鼻孔在同一个地方，那么它就会在位置上还原出一个鼻子。在这个过程中，优先网络其实是收录了大量名人和卧室照片。
人类思维映射
人的想象力，看到过大象的完整图像，把大象的部分部位打马，通过想象力其实是可以恢复出大象的原始图像。
训练需要的输入数据
某个场景、类型的原始图片和马赛克图片
注意点
去马赛克算法一般都会针对不同场景，对待还原的图片做特点的训练，因此目前还不够通用
AR、深度估计（单目深度估计）
应用
- 电影大片百万特效
- 在卧室中直播，背景替换成南极
算法举例
- SkyAR 替换天空背景
- https://github.com/facebookresearch/consistent_depth 预测图片深度
算法大概原理
人类思维映射
只使用一直眼睛看周围，也可以识别远近（不准）
- 确实能大概确定远近，对焦成像，经验脑补，遮挡关系等。可是这样都是不准确的。
- 你可以试试只用一只眼睛，尝试接住一个向你抛过来的球。比用两只眼睛的时候难多了
训练需要的输入数据
注意点
历史重放
应用
- 黑白照片、视频上色
算法举例
- Bringing Old Photo Back to Life
- DeOldify
算法大概原理
老照片修复中面临着许多的图像处理问题，比如填孔洞、去划痕、上色、去噪等，也就是说包含了多种图像退化问题。而使用深度学习进行训练时往往需要制造样本对，但是真实的低质量数据包含多种退化问题，想要通过正常图像模拟出完全符合数据分布的低质量图像几乎是不可能的。（同样的问题在Deblur、SR、Denoise等Low level问题中也有遇到）
为了回避样本制造的问题，作者将老照片修复模拟成三域转换的问题，三个域分别是真实的老照片的域 R RR、合成的低质照片的域 X XX、真实的高质照片（GT）的域 Y YY。整体的思路如下面这张图所示。
尽量将模拟老旧照片的参数贴近真实老照片与真实图像的损失参数，然后再逆序得到老照片到真实图像的函数参数
人类思维映射
看到老照片，脑部有色彩的样子
训练需要的输入数据
真实照片，老照片，照片老旧算法（通过真实照片模拟生成的老照片）
人脸替换、编辑
应用
- 如生成某个主播游戏解说形象、肌肉金轮、特朗普的鬼畜视频、蔡英文的恶搞视频等等
- 修改版应用：
- 修改五官得到美颜产品
- 修改头发稀疏、皮肤松弛等得到 少年、老年人脸预测、秃头模拟等等
- 人体姿态同样可以借鉴先编码，再解码的算法思想实现
算法举例
- facewap
- deepfacelab
- faceswap-GAN
- navigan 人脸器官变形
- TargetCLIP
算法大概原理
可以理解为压缩、解压缩的过程
人脸图片 --（压缩）-> 向量矩阵 --（解压缩）-> 人脸图片。
- 将人脸图像压缩成短向量，这些向量可能包含了五官之间位置距离关系，肤色，眼睛大小等等
- 再通过某个人的模型特征模型将这些短向量重建为图片/视频。
通过上述算法原理，我们只需要把压缩/编码部分模型学习所有人的特征，那么用A人脸图像压缩出来的短向量理论上就不包含原始人脸的个人特征，而是人类的通用特征，然后我们将得出来的短向量用B的人脸解压（解码）模型解码，我们就得到B的人脸的图像。
人类思维映射
就好比，A摆了一个表情，B是个演员，B看了A的照片，就来摆出一样的表情模仿A，B的脸部姿势就是模拟后的。
A 表情照片 -> B 眼睛处理 -> B 脑海中得到A 的表情特征 -> B 把这个特征输出到自己的面部 -> B 与A相同的表情。
训练需要的输入数据
由于需要输入被换人A的大量人脸图片、替换人B的大量人脸图片，为了降低成本因此建议拿到这两个人的一段视频，通过 Extract 工具，把视频筛成很多图片，再应用图像识别、定位、分割算法，去掉不存在人脸的帧数，将某一帧的人脸部分定位出来，再切割图片，最终得到大量的A、B的纯人脸图片。
注意点
- 图片要高清，模糊图片效果不好
- 人脸图片最好多样化，表情丰富
- A、B人脸数据越多越好，建议至少1000张以上
实时肖像演讲（LSP）
实时通过声音，驱动人的头像说话，也是人脸替换、编辑的领域
应用
- A 说话，通过声音模仿，转为B的语音，会放到B的人脸，可以完全模拟B讲话的视频
- 扩展，视频转声音
算法举例
- Wav2Lip
- Lip2Wav
算法大概原理
人类思维映射
训练需要的输入数据
注意点
文字脑补图片、视频
应用
- AI机器人通感
算法举例
- NÜWA https://github.com/microsoft/NUWA
算法大概原理
现在很多AI算法都是Y=kx+b这种一类输入一类输出形式，如输入图片得到这个图片是什么类型（文本），该算法结合了多维输入，输入图片、视频的同时输入文本，神经网络中构建出文本和图像的关联关系，因此可以实现他们的相互转换。
人类思维映射
- 通感，望梅止渴，看到美女、帅哥照片某些部位收到刺激一般（如流鼻血、面红耳赤）
训练需要的输入数据
文本+图像/视频
噩梦AI（强化学习）
应用
- 游戏、闯关等
算法举例
- DQN
算法大概原理
通过奖惩机制、结合遗传算法，让AI自动学会什么时候该干什么，当然这里会出现海量的试错。可以理解为一堆二叉树，每个节点对应加分或扣分，让AI找到得分最高的一条路径。
人类思维映射
遇到一个完全没接触过的游戏，看到游戏规则（奖惩），开始玩耍，刚开始很菜，后来越来越强
训练需要的输入数据
游戏规则
注意点
不适合训练模拟耗时长的，最好能输入完整的训练规则自动化处理，如游戏厂商自身能够轻松制造出超级AI电脑，但拿不到游戏厂商源码或者很难克隆出游戏本身的工作者并不容易实现一个高智能的AI。
总结
每种算法都有自己的应用领域，但我们可以通过算法组合来实现更复杂的人工智能，如原神自动钓鱼中通过目标检测算法定位并识别鱼群类别，抛出鱼钩后通过强化学习来实现与鱼群的博弈，完成自动钓鱼。