机器之心报导
参加：肖清、思
顺手拍张相片，顺势转化为宫崎骏、新海诚等日漫大师的手绘风格著作，这个专门生成动漫图画的 GAN，实测很好用。
机器之心依据实在店肆相片生成的作用图，一度以为，这便是某个日漫番剧的截图。
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，但许多人或许以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，才有了魂灵，张张都能成为壁纸，而整个日漫也以二维为中心。
假如有模型能将实在画面转化为日漫风格的手绘画面，那一定十分炫酷。最近机器之心发现的确有这些模型，从 CartoonGAN 到 AnimeGAN 都能生成十分有意思的图画。
这儿有一个 TensorFlow 新项目，它完结了 AnimeGAN，并供给了预练习模型。也便是说，咱们下载后可以直接试试生成作用。作为日漫风格的爱好者，咱们很快就试用了一下新项目。
项目地址：https://github.com/TachibanaYoshino/AnimeGAN
尽管原项目给出的最佳示例许多都是街景，但咱们发现各种场景也都还行，如下是咱们试用的原图与生成作用。看看第一张樱花道生成作用，遽然有一种《千与千寻》的感觉。
假如只针对人物，转化作用也是适当的好的。咱们测验将新垣结衣的相片输入 AnimeGAN 模型，然后就有如下这种奇特的画风，感觉直接用到动漫里也没什么问题了。
在原 GitHub 项目中，作者还给了十分多的示例，上面仅仅机器之心试用的成果，你也可以来用一用。
AnimeGAN
整个项目完结的是论文「AnimeGAN: a novel lightweight GAN for photo animation」中所提办法，作者在论文平分别将 AnimeGAN 与 CartoonGAN、ComixGAN 进行比照。
从图中可以正常的看到，AnimeGAN 在细节方面的体现要优于以上两种办法，颜色相对而言愈加天然，涂改感也没那么激烈。最显着的是第二行的作用图，运用 AnimeGAN 生成的漫画愈加挨近宫崎骏的画风。
办法简介
关于这个项意图 AnimeGAN，如下所示为 AnimeGAN 所选用的生成器网络与判别器网络。看起来模型全体是比较惯例地一个卷积神经网络，但它会选用实例归一化以及新式的 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丢失函数：
灰度风格（grayscale style）loss
灰度对立（grayscale adversarial）loss
颜色重构（color reconstruction）loss
这些丢失函数可以让生成图片的风格愈加挨近于实在的漫画风格。
下表比较了 ACartoonGAN 与 AnimeGAN 的模型巨细与推理速度。可以显着看出，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。
整体来说，新提出来的 AnimeGAN 是一种轻量级的生成对立模型，它选用了较少的模型参数，以及引进格拉姆矩阵（Gram matrix）来加强相片的风格。研究者的办法需求选用一系列实在图片与一系列动漫图片做练习，且这些图片并不需求成对匹配，这就标明练习数据十分简单取得。
项目实测
咱们在 Ubuntu 18.04 下对本项目进行了测验，相关依靠环境如下：
python 3.6.8
tensorflow-gpu 1.8
opencv
tqdm
numpy
glob
argparse
这些依靠项可以说都是 CV 中常用的扩展库，咱们就不用费尽心思去处理各种依靠环境抵触的问题了，这儿给个好评。
以下是本项意图练习及测验具体流程。咱们首先将 AnimeGAN 项目克隆到本地，在 Jupyter notebook 中输入：
将作业目录切换到 AnimeGAN：
接下来下载项目作者供给的预练习模型，运用 vim download_staffs.sh 创立一个 Shell 文件，输入如下指令：
保存后退出，以上指令会将预练习的模型、vgg19 权重以及练习数据集下载并保存到其对应目录下。在 notebook 中运转：
至此即完结一切准备作业，运转如下代码就可以对模型进行练习了：
AnimeGAN 的练习进程如下图所示：
当进行测验时，咱们应该将用于测验的图片保存到 dataset/test/real 目录下，并运转如下代码：
当看到以上输出阐明程序现已成功运转完结，生成成果保存在 results 文件夹下。可以正常的看到，在 P100 GPU 上生成一幅图片需求大约 2.3 秒左右。
本文为机器之心报导，转载请联络本大众号取得授权。
------------------------------------------------
